1. 서 론

최근 축산업은 고도화된 생산성과 동물 복지를 동시에 추구하는 방향으로 변화하고 있으며, 특히 대규모 사육 환경에서는 효율적인 개체 관리 기술의 중요성이 점차 커지고 있다. 국내 양돈 산업 역시 이러한 흐름 속에서 구조적 변화를 겪고 있다. 통계청 가축동향조사에 따르면, 2021년 이후 국내 돼지 사육 두수와 사육 농장 수는 전반적으로 감소하는 추세를 보이고 있다. 2021년 4분기(12월 1일 기준) 사육 두수는 1,121만 7천 마리였으나, 2025년 1분기(3월 1일 기준)에는 1,079만 6천 마리로 약 3.7% 감소하였다. 사육 농장 수 또한 5,942호에서 5,602호로 약 5.7% 감소하였다. 특히 소규모 농가의 감소폭이 상대적으로 크게 나타난 반면, 대규모 농가의 비율은 증가하는 경향을 보이고 있다. 이에 따라 농장당 평균 사육 두수는 약 1,927두로 확대되었다^[1]. 그림 1은 2021년부터 2024년까지 연도별 돼지 농가 수 추이를 나타낸 것이다.

그림 1 2021년부터 2024년까지 돼지 사육 농가 수 추이

Fig. 1. Trend of the Number of Pig Farms by Year (2021 to 2024)

이와 같은 산업 구조 변화는 남아 있는 농가가 더 많은 돼지를 보다 효율적으로 관리해야 함을 의미한다. 특히 모돈(母豚)은 번식 성적과 직결되는 핵심 개체군으로^[2], 개체 관리 수준이 농장 전체 생산성에 직접적인 영향을 미친다. 모돈의 체중은 사양관리 전략 수립, 급여량 조절, 번식 단계별 생리 상태 유지 등 다양한 의사결정 과정에서 활용되는 대표적이며 기초적인 관리 지표이다^[3]. 체중 정보는 교배 적정 시기 판단, 이상 개체 조기 선별, 분만 전후 관리, 체형 변화 분석 등 번식 운영 전반에서 중요한 역할을 수행하며, 장기적인 생산 효율과도 밀접하게 연관된다. 따라서 모돈 체중을 정확하고 지속적으로 관리하는 것은 안정적인 번식 운영과 농장 경영 효율 향상을 위해 필수적인 요소라 할 수 있다.

그러나 실제 양돈 현장에서 체중 측정은 상당한 제약을 가진다. 일반적으로 모돈을 계근 장비에 직접 이동시켜 측정하는 방식이 사용되며 그 과정에서 많은 인력과 시간이 소요된다^[4]. 또한 반복적인 이동과 물리적 접촉은 동물에게 스트레스를 유발할 수 있어 정기적인 체중 계측이 제한적으로 수행되는 경우도 존재한다. 특히 사육 규모가 확대된 대형 농장 환경에서는 이러한 수작업 중심의 계측 방식이 더욱 비효율적으로 작용한다.

이러한 배경에서 최근 양돈 산업 전반에서는 노동 부담을 줄이면서도 생산성을 유지하거나 향상시키기 위한 대안으로 스마트 축산 기술의 도입이 확대되고 있다. 그중에서도 동물에 대한 직접적인 접촉 없이 개체 정보를 획득할 수 있는 비접촉 체중 추정 기술은 동물 복지를 저해하지 않으면서 반복적인 상태 관측이 가능하다는 점에서 높은 현장 적용 가능성을 가진다^[5]. 또한 기존 수작업 계측 방식의 한계를 보완할 수 있는 현실적인 대안으로 평가된다.

비접촉 체중 추정과 관련하여 영상 기반 회귀 모델을 활용한 연구들이 다수 보고되고 있다. 726두의 양 RGB-D 데이터셋을 구축하고 LiteHRNet 기반 경량 CNN 모델을 적용한 체중 추정 연구에서는 자연광 환경과 다양한 자세 조건을 포함한 데이터를 활용하여 MAPE 14.61%의 성능을 달성하였다^[6]. 또한 20,368개의 모돈 데이터를 활용하여 이유 시 복당 체중을 추정한 연구에서는 다양한 지도학습 알고리즘을 비교한 결과, 앙상블 기반 모델에서 MAPE 9.01%의 성능을 보고하였다^[7]. 더불어 수정된 Mask R-CNN 기반 체중 추정 기법을 제안한 연구에서는 ResNet과 Feature Pyramid Network(FPN)를 활용하여 돼지 영역을 분할한 후 체형 특징을 추출하였으며, AdaBoost 회귀 모델을 적용하여 MAPE 8.45%의 성능을 달성하였다^[8]. 70두의 돼지에서 획득한 총 1,022개의 포인트 클라우드 데이터를 이용하여, 돼지 몸통 부위의 3차원 메쉬를 재구성한 뒤 여기서 추출한 48개의 체형 치수를 입력으로 하는 완전연결 DNN 기반 체중 추정 기법도 제안되었다^[9]. 테스트 데이터셋에서 MAPE 2.11%를 달성하였다.

이와 같이 2차원 영상 기반 방식과 3차원 형상 기반 방식은 일정 수준 이상의 예측 성능을 보이고 있다. 그러나 2차원 영상 기반 방식은 촬영 각도 변화, 가림 현상, 조명 조건에 민감할 수 있으며, 3차원 포인트 클라우드 기반 방식 역시 측정 환경, 카메라 구성, 포인트 클라우드 정제 방식에 따라 성능이 크게 달라질 수 있다. 이에 따라 실제 돈사 환경에서 획득된 잡음이 포함된 3차원 포인트 클라우드로부터 체형 정보를 안정적으로 정제하는 전처리 기법의 필요성이 커지고 있다^[10]. 그러나 기존의 3차원 기반 체중 추정 연구들 중 상당수는 별도의 측정 통로, 복수의 카메라, 추가 계측 장비, 또는 인력에 의한 개체 통제를 전제로 한 비교적 정제된 환경에서 수행되었다. 이러한 조건은 높은 정확도 확보에 유리하지만, 실제 돈사 현장에 적용하기 위해서는 추가적인 인력 및 장비 비용이 요구된다. 반면 본 연구는 실제 돈사 내부에서 고정된 top-view 3차원 카메라 1대만을 사용하여, 과도한 인력 개입과 추가 장비 구성을 최소화한 상태에서 비접촉 체중 추정을 수행하는 데 목적이 있다. 따라서 본 연구는 선행연구에 비해 더 큰 환경적 잡음과 제한된 통제 조건을 포함하는 현실적인 문제 설정을 다루며, 이로 인해 예측 난이도 또한 상대적으로 높다. 실제 돈사 환경에서 획득되는 포인트 클라우드에는 체형뿐 아니라 바닥, 구조물, 주변 환경 포인트가 함께 포함되어 체형 정보를 왜곡시키고 핵심 기하 정보의 품질을 저하시킬 수 있다. 이에 본 연구에서는 모돈 체형에 해당하는 유효 영역을 효과적으로 분리하고 정제하기 위해 Center Point-Guided Oval Segmentation(CP-OS)을 입력 전처리 단계에 적용하였으며, PointNet과 DGCNN 기반 회귀 모델에서 그 효과를 검증하고자 한다.

2. 데이터 수집 및 전처리

본 연구에 사용된 데이터는 강원대학교 동물생명과학대학과 협력하여 경상남도 함안군에 위치한 양돈 농장에서 수집되었다. 데이터 수집은 2025년 5월 2일부터 8월 21일까지 약 3개월 반 동안 진행되었으며, 해당 기간 동안 총 126두의 모돈을 대상으로 비접촉 체중 추정을 위한 3차원 데이터가 확보되었다.

2.1 데이터 수집

수집 대상 모돈은 LYD(Landrace, Yorkshire, Duroc) 3원 교잡종으로 구성되어 있으며, 체중은 최소 131 kg에서 최대 317 kg까지 분포한다. 또한 임신 일령 역시 약 21일에서 108일까지 다양하게 포함되어 있어, 실제 농장 환경에서 관찰되는 여러 체형 조건을 반영할 수 있도록 하였다. 특정 체중 구간이나 임신 단계에 편중되지 않도록 데이터 구성을 고려하였다.

그림 2 2차원 영상과 이에 대응하는 3차원 모돈 포인트 클라우드 예시

Fig. 2. Example of 2D Images and Corresponding 3D Sow Point Clouds

3차원 데이터는 ZED 2i 3D 카메라를 이용해 획득하였으며 각 개체는 시기를 달리하여 최대 4회에 걸쳐 반복 촬영되었다. 촬영 시점에 따라 개체별 촬영 횟수에는 차이가 존재한다. 이를 통해 최종적으로 총 398개의 3차원 포인트 클라우드(ply 형식) 데이터를 구성하였다. 이러한 반복 촬영 방식은 동일 개체의 체형 변화와 다양한 관측 조건을 함께 반영하기 위한 목적에서 적용되었다. 데이터 수집 과정에서는 모돈에 대한 물리적 접촉이나 이동을 최소화하고, 자연스러운 상태에서 촬영이 이루어지도록 하였다. 이를 통해 본 연구에서 제안한 체중 추정 모델이 실제 돈사 환경에서도 실용적으로 적용 가능한지를 검증할 수 있도록 실험 환경을 구성하였다. 카메라는 돈사 내부 구조물에 고정 설치하였으며 바닥으로부터 1 m 높이의 top-view 촬영 방식으로 진행되었다. 이러한 설정을 통해 모돈의 등 상부 형상이 안정적으로 포함되도록 하였으며 반복 촬영 시에도 비교적 일관된 관측 조건을 유지할 수 있었다. 그림 2는 2차원 영상과 이에 대응하는 3차원 포인트 클라우드 예시를 보여준다.

모델의 일반화 성능을 평가하기 위해 개체 단위 무작위 분할을 3회 반복하여 성능을 평가하였다. 이때 데이터 분할은 개체 번호를 기준으로 수행하여 동일한 모돈이 학습, 검증, 테스트 데이터에 중복 포함되지 않도록 구성하였다. 전체 데이터는 개체 단위로 8:2 비율로 분할하여 각 반복 실험에서 학습 세트와 테스트 세트를 구성하였으며, 이후 학습 세트에 포함된 개체를 다시 개체 단위로 8:2 비율로 내부 분할하여 최종적으로 학습(Train), 검증(Validation), 테스트(Test) 세트를 구성하였다. 검증 세트는 모델 학습 과정에서 하이퍼파라미터 설정을 점검하고, 검증 손실값이 가장 낮은 에폭을 최종 모델로 선정하기 위한 기준으로 활용하였다.

본 연구에서는 제안한 CP-OS 전처리 기법의 효과를 독립적으로 평가하기 위해 학습 과정에서 별도의 데이터 증강 기법은 적용하지 않았다. 대신 제한된 데이터 규모에서 발생할 수 있는 과적합과 성능 과대 추정을 줄이기 위해 동일 개체 중복을 배제한 개체 단위 분할, 3회 반복 실험, 학습 세트 내부의 검증 데이터셋 구성, 고정된 랜덤 시드 설정을 적용하였다. 또한 모든 입력 포인트 클라우드에 대해 중심 정렬, 최대 거리 기준 정규화, 1,024개 포인트 고정 샘플링을 수행하여 입력 조건의 일관성을 유지하였다. 반복 실험별 전체 데이터 구성을 표 1에 나타내었다.

표 1 반복 실험별 전체 데이터 구성(단위: 샘플 수)

Table 1. Overall Dataset Composition by Trial (unit: number of samples)

Trial	Train	Validation	Test	Total
1	252	63	83	398
2	250	63	85	398
3	247	62	89	398

2.2 데이터 전처리

실제 돈사 환경에서 획득된 3차원 포인트 클라우드에는 모돈 체형뿐만 아니라 바닥, 돈사 구조물, 주변 환경에 해당하는 포인트가 함께 포함된다. 이러한 배경 포인트와 노이즈는 체중과 직접적인 관련이 없는 기하 정보를 다수 포함하고 있으며 포인트 기반 회귀 모델이 체형 정보를 효과적으로 학습하는 데 방해 요소로 작용할 수 있다. 따라서 본 연구에서는 회귀 모델 학습에 앞서 모돈 체형에 해당하는 유효 영역을 중심으로 포인트 클라우드를 정제하는 데이터 전처리 과정을 수행하였다. 본 연구의 전처리 과정은 top-view 기반 3차원 포인트 클라우드를 입력으로 하여 모돈의 등 상부 체형 영역을 안정적으로 추출하는 것을 목표로 한다. 이를 위해 기본적인 타원 형태의 영역 분할 방식과 체형 중심점을 고려한 분할 기법을 적용하였다.

2.2.1 Oval Segmentation (OS)

본 연구에서는 3차원 포인트 클라우드에서 모돈 체형에 해당하는 영역을 1차적으로 정제하기 위해 타원 형태의 관심 영역을 기반으로 한 Oval Segmentation (OS)을 적용하였다. 해당 전처리 과정은 포인트 클라우드에 포함된 바닥, 돈사 구조물, 주변 환경 포인트를 제거하고 체중 추정과 직접적으로 관련된 체형 영역을 보존하는 것을 목적으로 한다.

그림 3 타원 분할(Oval Segmentation) 적용 예시

Fig. 3. Example of Applying Oval Segmentation

전처리의 첫 단계로 원본 포인트 클라우드에 대해 통계적 이상치 제거(statistical outlier removal)를 수행하였다. 이 과정에서는 각 포인트 주변의 이웃 분포를 기반으로 밀도가 낮은 이상치 포인트를 제거하여 센서 노이즈나 비정상적인 측정값의 영향을 최소화하였다. 본 연구에서는 이웃 포인트 수와 표준편차 배율을 각각 20과 2.0으로 설정하여 전체 포인트 클라우드의 구조를 크게 훼손하지 않으면서도 국소적인 노이즈를 제거하였다. 이후, 상부에서 관측된 포인트 클라우드의 평면 분포를 기준으로 타원 형태의 영역을 정의하였다. 타원의 중심은 사전 분석을 통해 결정된 고정 좌표를 사용하였으며, 장축과 단축의 길이를 각각 1300, 400으로 설정하였다(단위는 포인트 클라우드 좌표계의 거리 단위). 이러한 파라미터는 일관된 촬영 환경을 기준으로 모돈의 등 상부 체형을 충분히 포함하도록 구성되었다. 이를 통해 타원 내부에 위치한 포인트만을 선택함으로써 체형 외곽이나 주변 구조물에 해당하는 포인트를 1차적으로 배제하였다. 또한 Z축으로의 분포를 고려하여 높이 기준 필터링을 추가로 적용하였다. 전체 포인트의 높이 분포에서 5번째 백분위수부터 80번째 백분위수까지의 구간을 유효 범위로 설정하고 해당 범위를 벗어나는 포인트는 제거하였다. 이를 통해 바닥면이나 상부 잡음 포인트와 같이 체형과 무관한 수직 방향 노이즈를 효과적으로 감소시켰다.

최종적으로 평면상의 타원 조건과 높이 조건을 동시에 만족하는 포인트만을 선택하여 모돈 체형에 해당하는 3차원 포인트 클라우드를 구성하였다. OS는 계산량이 비교적 적고 구현이 단순하다는 장점이 있으며, 체형 영역을 대략적으로 포괄하는 기본적인 전처리 방법으로 활용될 수 있다. OS의 적용 예시를 그림 3에 나타내었다.

2.2.2 Center Point-Guided Oval Segmentation (CP-OS)

OS는 타원 형태의 관심 영역을 통해 체형 영역을 대략적으로 분리할 수 있다는 장점이 있으나 타원의 중심이 고정되어 있을 경우 개체의 위치 변화나 촬영 조건에 따라 체형 중심과 불일치가 발생할 가능성이 높다. 이러한 경우 체형과 무관한 포인트가 포함되거나 반대로 체형의 일부가 제외되는 문제가 나타날 수 있다. 본 연구에서는 이러한 한계를 보완하기 위해 체형 중심점을 탐색한 후 이를 기준으로 타원 영역을 재정의하는 CP-OS 기법을 적용하였다.

제안 기법은 기존 OS의 타원 분할 구조를 유지하되 타원 중심을 포인트 클라우드의 공간 분포로부터 자동으로 추정한다는 점에서 차별화된다. 이를 위해 중심점 탐색 이전 단계에서 다단계 필터링을 수행하여 체형에 해당할 가능성이 높은 포인트 집합을 우선적으로 구성하였다. 먼저 Z축과 Y축의 절대 좌표 범위를 기준으로 1차 필터링을 수행하였다. 이는 top-view 촬영 구조에서 바닥면 포인트와 측면 구조물을 비교적 단순한 기준으로 제거하기 위한 단계이다. 본 실험 환경에서는 모돈 등 상부가 주로 포함되는 높이 범위와 카메라 설치 위치에 따른 좌우 폭을 사전 확인한 후, 포인트 클라우드 좌표계의 거리 단위를 기준으로 Z축 기준 [1100, 2000], Y축 기준 [-400, 400] 좌표 범위를 유효 영역으로 설정하였다. 해당 값은 본 연구에서 사용한 돈사 구조, 카메라 설치 높이, 촬영 시야각, 그리고 포인트 클라우드 좌표계를 종합적으로 고려하여, 체형 보존과 배경 제거가 균형을 이루도록 경험적으로 설정한 것이다. 따라서 촬영 환경이나 좌표 스케일이 달라질 경우 조정이 필요할 수 있다.

1차 필터링 이후에도 상부 및 배경에 잔여 포인트가 남을 수 있어 Z축 분포를 이용한 2차 슬라이싱을 추가로 적용하였다. Z축 히스토그램에서 빈도가 최대인 구간을 Z축 최빈값으로 간주하고 이 값을 중심으로 일정 범위만 남기는 방식이다. 본 연구에서는 전체 Z 범위의 80%에 해당하는 폭을 보존 범위로 설정하였으며, 이 보존 범위 중 70%는 Z축 최빈값보다 큰 방향에, 30%는 Z축 최빈값보다 작은 방향에 배치하여 등 상부가 상대적으로 더 많이 포함되도록 구성하였다. 이 비율 또한 상부 체형은 충분히 유지하면서 바닥 및 불필요한 상부 잡음을 줄이기 위한 실험적 설정이다.

중심점 탐색 단계에서는 전처리된 포인트 중에서도 체형과 가장 관련 있는 군집을 선택하기 위해 밀도 기반 군집화인 DBSCAN을 적용하였다. DBSCAN은 군집 개수를 사전에 지정할 필요가 없고 노이즈 포인트를 -1로 분리할 수 있어 돈사 환경처럼 배경 포인트가 잔존할 수 있는 조건에서 유리하다^[11]. 다만 체형 분포는 XY 축 정보와 같은 평면 분포가 더 중요하므로 본 연구에서는 군집화 시 Z축 좌표를 0.7배로 스케일링하여(30% 감소) XY 기반 군집이 우선적으로 형성되도록 하였다. DBSCAN 적용 시에는 군집 형성을 결정하는 두 가지 핵심 파라미터를 설정하였다. 첫 번째는 한 포인트가 이웃으로 간주되기 위한 최대 거리 임계값으로, 이 값이 클수록 더 넓은 범위의 포인트들이 하나의 군집으로 묶일 수 있다. 두 번째는 하나의 포인트가 핵심 포인트로 인정되기 위해 해당 거리 범위 내에 존재해야 하는 최소 이웃 포인트 수로, 이 값이 클수록 밀도가 충분히 높은 영역만 군집으로 형성된다. 본 연구에서는 거리 임계값을 10으로, 최소 이웃 포인트 수를 100으로 설정하였다. 이는 동일한 카메라 설치 환경에서 다수의 샘플을 관찰하면서 모돈 체형이 하나의 연속된 주요 군집으로 안정적으로 형성되고, 동시에 바닥 및 기타 잔여 포인트가 별도의 군집 또는 노이즈로 분리되는 범위를 기준으로 실험적으로 결정한 값이다. 해당 값은 본 실험 환경의 포인트 밀도와 좌표 스케일에 최적화된 설정이며, 환경이 달라질 경우 재조정이 필요할 수 있다.

최종 중심점은 선택된 군집에서 Z축 최빈값 주변 포인트만 남긴 뒤, 그 안에서 XY 평균에 가장 가까운 실제 포인트를 중심점으로 결정하였다. 이 중심점을 기준으로 타원 마스크를 적용하여 최종 전처리된 데이터셋을 구성하였다. 타원 마스크의 크기는 기존 OS와 동일하게 사용하여 체형 영역이 충분히 포함되면서도 배경 포인트가 과도하게 남지 않도록 균형을 맞추었다. 본 연구에서는 제안 기법의 유효성을 우선적으로 검증하는 데 초점을 두었기 때문에, 타원의 크기, DBSCAN 파라미터, Z축 슬라이싱 비율에 대한 전면적인 민감도 분석은 수행되지 않았다. 다만 각 파라미터는 모두 체형 보존과 배경 억제의 균형을 기준으로 설정하였으며, 다양한 환경에서의 민감도 분석은 향후 연구에서 추가적으로 수행할 필요가 있다. 그림 4는 원본, OS, CP-OS의 적용 예시를 비교하여 보여준다.

그림 4 기법별 적용 예시 비교

Fig. 4. Comparison of Application Examples by Method

3. 포인트 클라우드 기반 학습 모델

3.1 PointNet

PointNet은 3차원 포인트 클라우드를 직접 입력으로 처리하는 신경망 구조로, 입력 포인트의 순서에 영향을 받지 않는 특징 추출 방식을 기반으로 한다^[12]. 각 포인트에 대해 동일한 가중치를 공유하는 다층 퍼셉트론을 적용하여 포인트 단위 특징을 추출하고, 대칭 함수인 전역 최대 풀링(global max pooling)을 통해 전체 포인트 집합을 하나의 전역 특징 벡터로 집계한다. 이 전역 특징은 입력 포인트의 순열에 대해 불변성을 가지며 전체 형상의 거시적 구조를 요약하는 역할을 한다. 이러한 구조는 별도의 복셀화(voxelization)나 격자 변환 없이 원본 포인트 클라우드를 직접 처리할 수 있다는 점에서 3차원 형상 인식 및 회귀 문제에 널리 활용되어 왔다.

본 연구에서는 모돈의 3차원 체형 정보를 이용하여 체중을 회귀 기반으로 추정하기 위해 PointNet 구조를 적용하였다. 원본 데이터는 샘플당 최대 수백만 개의 포인트를 포함하지만, 계산 효율성과 입력 차원 고정을 위해 각 샘플에서 1,024개의 포인트를 무작위로 샘플링하여 사용하였다. 이는 PointNet이 전역 최대 풀링을 통해 형상 전체를 요약하는 구조임을 고려할 때, 전체 형상을 대표할 수 있는 수준의 포인트 수를 유지하면서도 계산 복잡도를 제한하기 위한 설정이다.

네트워크는 1D 합성곱 계층을 통해 점 단위 특징을 확장하는 구조로 구성하였다. 각 계층 뒤에는 Batch Normalization과 ReLU 활성화 함수를 적용하였다. 이후 전역 최대 풀링을 통해 1,024차원의 전역 특징 벡터를 생성하고, 이를 완전 연결 계층(fully connected layer)을 통해 단일 체중 값으로 회귀하도록 하였다. 본 구조에서는 입력 정렬 모듈(T-Net)은 포함하지 않았다. 데이터가 고정된 top-view 환경에서 획득되었고, 전처리 단계에서 중심 정렬과 정규화를 수행하였기 때문에 추가적인 좌표 정렬 모듈의 필요성은 낮다고 판단하였다. 모델 구조 예시를 다음 그림 5에 나타내었다.

그림 5 PointNet 기반 체중 회귀 모델 구조

Fig. 5. Architecture of the PointNet-based Weight Estimation Model

3.2 DGCNN

DGCNN(Dynamic Graph CNN)은 포인트 클라우드를 고정된 점 집합이 아닌 국소 이웃 관계를 갖는 그래프로 구성하여 특징을 학습하는 모델이다^[13]. 각 층에서 k-NN을 기반으로 그래프를 동적으로 재구성하며 중심 포인트와 이웃 포인트의 상대적 기하 관계를 반영한 EdgeConv 연산을 통해 국소 특징을 추출한다. EdgeConv는 이웃과의 차이 정보와 중심 포인트를 결합한 엣지 특징에 1×1 합성곱을 적용한 뒤 이웃 방향 최대 풀링을 수행하여 포인트별 표현을 생성한다. 이 과정은 국소 형상(곡률, 경계, 두께 등)을 비교적 잘 포착할 수 있어 체형의 미세한 기하 변화를 반영해야 하는 회귀 문제에도 활용 가능하다. 본 연구에서 DGCNN의 입력은 PointNet과 동일하게 각 샘플의 포인트 클라우드를 중심 정렬과 스케일 정규화한 뒤 1,024개 포인트로 고정 샘플링하여 사용하였다. 이는 원본 포인트 수가 매우 큰 환경에서 배치 학습을 가능하게 하고 모델 입력 크기를 일정하게 유지하기 위함이다.

모델 구조는 4개의 엣지 컨볼루션 블록(EdgeConv Block)과 전역 집계 및 회귀 헤드로 구성하였다. 첫 번째 블록에서는 입력 좌표를 기반으로 k-NN 그래프를 구성하고 $[x_j - x_i, x_i]$ 결합으로 생성된 6채널 엣지 특징에 대해 1×1 2D 컨볼루션을 적용한 후 이웃 방향 최대 풀링으로 포인트별 64차원 특징을 얻는다. 이후 두 번째부터 네 번째 블록에서도 동일한 방식으로 특징 공간에서 k-NN을 다시 계산하여 그래프를 갱신하며 각 단계에서 국소 특징을 확장한다. 각 블록의 출력 특징은 채널 방향으로 결합하여 총 512채널의 포인트 특징을 구성하고 1×1 2D 컨볼루션을 통해 전역 표현으로 확장한 뒤 포인트 방향 전역 최대 풀링으로 1,024차원의 전역 특징 벡터를 생성한다. 마지막으로 완전 연결 회귀 헤드를 통해 체중을 추정하도록 하였다.

그래프 구성 시 이웃 수는 $k=20$으로 설정하였다. 이는 포인트 밀도와 체형의 국소 구조를 동시에 고려할 수 있는 범위에서 이웃 관계를 안정적으로 형성하기 위한 값으로, 각 엣지 컨볼루션 블록 단계에서 동일하게 사용하였다. DGCNN은 이웃 관계를 학습 중간의 특징 공간에서 반복적으로 갱신하므로 단순한 좌표 기반 요약에 비해 체형의 국소 변화가 전역 특징에 더 잘 반영될 수 있다. 따라서 본 연구에서는 PointNet과 대비되는 구조적 특성을 가진 모델로서 DGCNN을 함께 사용하여 제안한 전처리 기법이 서로 다른 유형의 포인트 기반 회귀 모델에서도 성능 향상에 기여할 수 있는지를 평가하였다. DGCNN의 상세 구조를 그림 6에 나타내었다.

그림 6 DGCNN 기반 체중 회귀 모델 구조

Fig. 6. Architecture of the DGCNN-based Weight Estimation Model

4. 연구 결과

본 연구에서는 총 126두의 모돈을 대상으로 수집된 3차원 포인트 클라우드 데이터를 활용하였다. 각 개체는 촬영 시기에 따라 최대 4회 반복 촬영되었으며 최종적으로 총 398개의 포인트 클라우드 샘플을 확보하였다. 모든 실험에서 입력 포인트 클라우드는 중심 정렬한 뒤, 원점으로부터의 최대 거리로 정규화하였으며, 각 샘플에서 1,024개의 포인트를 무작위 샘플링하여 모델 입력으로 사용하였다. 학습 데이터는 사전에 구성된 학습 세트 내에서 다시 8:2 비율로 분할하여 검증 데이터셋을 구성하였고, 이때 랜덤 시드를 고정하였다. 평균제곱오차(MSE) 손실함수를 사용하여 학습하였으며, 최적화 기법으로는 AdamW를 적용하고 초기 학습률은 0.001로 설정하였다. 배치 크기는 16, 전체 학습 에폭 수는 300으로 설정하였다. 본 코드에서는 학습 조기 종료나 학습률 스케줄러는 별도로 적용하지 않았으며, 각 에폭마다 검증 데이터 성능을 기록하고 모델 가중치를 저장하였다. 최종 성능 평가에 사용된 모델은 검증 데이터셋에서 가장 낮은 손실값을 기록한 에폭의 가중치를 기준으로 선정하였다.

모든 실험은 동일한 학습 설정 하에서 수행되었으며, 모델의 일반화 성능을 평가하기 위해 개체 단위 무작위 분할을 3회 반복하였다. 모델 성능 평가는 Root Mean Square Error (RMSE), $R^2$, Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE)의 네 가지 지표를 사용하였다. 각 지표는 예측값과 실측 체중 간의 오차를 서로 다른 관점에서 정량화하기 위해 선택하였다. RMSE와 MAE는 절대 오차 기반 지표로, 각각 제곱 오차의 평균 제곱근과 절대 오차 평균을 의미한다. MAPE는 실제 값 대비 상대적 오차 비율을 나타내며 체중 규모 차이를 고려한 평가가 가능하다. $R^2$는 모델이 실제 값의 분산을 얼마나 잘 설명하는지를 나타내는 지표이다. 각 성능 지표의 정의는 다음과 같다.

여기서 $y_i$는 실제 체중, $\hat{y}_i$는 예측 체중, $\bar{y}$는 실제 체중의 평균값, n은 샘플 수를 의미한다. 이와 같은 지표를 통해 PointNet과 DGCNN 모델의 성능을 분석하였으며, 각각 원본(Original), OS 적용, CP-OS 적용 성능을 비교하여 표 2와 3에 나타내었다. 표 2와 3의 값은 3회 반복 실험 결과의 평균 ± 표준편차로 나타내었다. 반복 실험 횟수가 3회로 제한되어 신뢰구간과 유의성 검정 결과를 안정적으로 해석하기에는 한계가 있으므로, 본 연구에서는 각 지표의 평균과 표준편차를 함께 제시하여 반복 실험 간 변동성을 보고하였다.

PointNet 기반 실험 결과, 네 가지 성능 지표 모두에서 기법별 성능이 점진적으로 향상되었다. RMSE는 원본 성능인 35.24 kg에서 OS 적용 후 33.72 kg, CP-OS 적용 후 31.41 kg으로 점진적 감소를 보였다. 상대 오차를 나타내는 MAPE 또한 12.46%에서 11.74%, 10.76%로 개선되었다. 특히 $R^2$ 값은 원본에서 음수(-0.0199)로 나타나 모델의 설명력이 매우 제한적이었으나, CP-OS 적용 시 0.1879까지 증가하여 설명력이 향상되었다. 이러한 결과는 PointNet이 전역 특징에 의존하는 구조라는 점과 관련이 있다. 원본 데이터에는 체형과 무관한 배경 포인트가 포함되어 있으며, 이는 전역 최대 풀링 과정에서 불필요한 특징이 함께 집계될 가능성을 높인다. OS는 일정 수준의 배경 제거 효과를 제공하였으며 CP-OS는 체형 중심 정렬을 기반으로 더욱 일관된 형상 영역을 추출함으로써 전역 특징의 품질을 개선한 것으로 해석된다. 즉, 전처리 단계에서 체형 관련 포인트의 비율이 상대적으로 높아지면서 PointNet의 전역 집계 특성이 효과적으로 작동한 것으로 볼 수 있다.

DGCNN 기반 실험에서는 다소 다른 경향이 나타났다. 원본 성능 대비 OS 적용 시 일부 지표에서 성능 저하가 관찰되었다. RMSE는 34.17 kg에서 35.49 kg으로 증가하였고, $R^2$ 또한 0.0415에서 –0.0403으로 감소하였다. MAPE 역시 12.19%에서 12.59%로 증가하였다. 그러나 CP-OS를 적용한 경우, 모든 지표에서 가장 우수한 성능을 보였다. RMSE는 33.48 kg으로 감소하였고, MAE는 25.96 kg, MAPE는 11.79%로 개선되었으며, $R^2$는 0.0747로 회복되었다. DGCNN은 k-NN 기반 동적 그래프를 구성하여 국소 이웃 관계를 학습하는 모델이다. 단순 OS의 경우, 고정된 타원 기준이 개체 중심과 완전히 일치하지 않을 수 있으며, 이로 인해 일부 체형 포인트가 잘리거나 국소 구조가 왜곡될 가능성이 있다. 이러한 왜곡은 k-NN 그래프 구성에 직접적인 영향을 미쳐 오히려 국소 특징 학습에 불리하게 작용했을 수 있다. 반면 CP-OS는 중심점 기반으로 ROI를 재정렬함으로써 체형 중심을 보다 안정적으로 포함한다. 이는 포인트 간 상대적 거리 관계를 보다 일관되게 유지하며, 결과적으로 DGCNN의 EdgeConv 기반 국소 특징 학습이 안정적으로 이루어졌을 가능성이 있다.

정리하면, 두 모델 모두 CP-OS를 적용하였을 때 RMSE, MAE, MAPE를 포함한 주요 성능 지표에서 전반적인 개선 경향을 보였으며, 이는 제안한 전처리 기법이 실제 돈사 환경에서 획득된 3차원 포인트 클라우드의 입력 품질을 향상시키는 데 효과적이었음을 시사한다. 특히 CP-OS는 체형 중심을 보다 안정적으로 반영한 관심 영역을 구성함으로써 배경 포인트와 불필요한 노이즈의 영향을 줄이고, 회귀 모델이 보다 일관된 기하학적 특징을 학습할 수 있도록 도왔다. 다만, $R^2$ 지표의 절대적 수준은 여전히 제한적으로 나타났는데, 이는 본 연구 데이터가 실제 농장 환경에서 수집된 소규모 데이터이며, 개체 간 체형 차이, 임신일령의 다양성, 반복 촬영 시점의 변화, 주변 구조물 및 바닥 포인트에 따른 배경 노이즈가 함께 존재하기 때문으로 해석할 수 있다. 또한 동일 개체의 중복 포함을 방지하기 위해 개체 단위 분할을 적용함으로써 보다 엄격한 일반화 성능 평가를 수행하였다는 점 역시 이러한 결과에 영향을 미친 것으로 판단된다. 따라서 본 연구의 의의는 높은 설명력을 갖는 최종 회귀 모델 자체를 제시하는 데 있다기보다, 실제 환경에서 취득된 잡음이 포함된 3차원 포인트 클라우드에 대해 CP-OS가 입력 정제 효과를 통해 서로 다른 포인트 기반 백본(PointNet, DGCNN)에서 예측 오차를 일관되게 감소시킬 수 있음을 확인하였다는 데 있다.

그림 7 원본 및 CP-OS 적용 시 PointNet 기반 모델의 실제값과 예측값 산점도 비교

Fig. 7. Comparison of Actual and Predicted Weight Scatter Plots for the PointNet-based Model Under Original and CP-OS Settings

그림 7은 PointNet 기반 모델에서 원본과 CP-OS 적용 시 실제 체중과 추정 체중의 관계를 산점도로 나타낸 것이다. 원본의 경우 예측값이 이상적인 기준선인 y=x 주변에 넓게 분산되어 있으며, 특히 일부 샘플에서는 실제값과 큰 차이를 보이는 경향이 관찰되었다. CP-OS를 적용한 경우, 예측값 분포가 원본에 비해 y=x 기준선 주변에 더 밀집하였고, 극단적인 오차를 보이는 샘플도 상대적으로 감소하는 경향을 보였다. 이러한 경향은 RMSE, MAPE, MAE의 감소와 $R^2$의 증가 결과와도 일치하며, CP-OS가 실제 돈사 환경의 잡음이 포함된 포인트 클라우드에서 체형 중심을 안정적으로 반영함으로써 예측 일관성을 향상시켰음을 시사한다.

CP-OS의 상대적 우수성을 보다 명확히 검증하기 위해, 중심점 탐색 없이 DBSCAN으로 선택된 주 군집만을 최종 입력으로 사용하는 DBSCAN 단독 방식과의 비교 실험을 추가로 수행하였다. DBSCAN 단독 비교군은 CP-OS와 동일한 DBSCAN 파라미터를 적용한 뒤, 선택된 주 군집을 최종 입력으로 사용하고 타원 ROI 정제는 적용하지 않은 방식으로 정의하였다. PointNet 모델에서 DBSCAN 단독 방식과 비교한 표 4의 결과에 따르면, CP-OS가 모든 평가 지표에서 더 우수한 성능을 보였다. DBSCAN 단독 방식은 CP-OS와 동일한 DBSCAN 파라미터를 사용하였음에도 불구하고, 실제 돈사 환경에서 획득된 포인트 클라우드에 포함된 바닥, 기둥, 울타리와 같은 외곽 구조물 포인트를 주요 군집으로 함께 인식하거나, 반대로 체형 일부를 불완전하게 분리하는 경우가 발생하였다. 이로 인해 체형 중심을 안정적으로 반영하지 못하였고, $R^2$는 -0.1690, RMSE와 MAPE는 각각 36.85 kg, 12.90%로 나타났다. 반면 CP-OS는 DBSCAN 결과를 직접 최종 분할에 사용하는 것이 아니라, 이를 중심점 탐색에 활용한 뒤 타원 ROI를 적용함으로써 모돈 체형 영역을 보다 일관되게 정제할 수 있었다.

표 5는 전체 398개의 포인트 클라우드 데이터에 대해 측정한 CP-OS 전처리 시간 결과를 나타낸다. 샘플당 평균 처리 시간은 5.4209 sec/sample이었고, 표준편차는 0.9500 sec/sample, 최소 및 최대 처리 시간은 각각 2.7084 sec/sample과 8.3218 sec/sample으로 확인되었다. 이는 실제 돈사 환경의 포인트 클라우드에 대해 다단계 필터링, DBSCAN 기반 중심점 탐색, 타원 ROI 정제를 수행하는 과정에서 발생하는 계산 비용을 반영한다. 실제 현장에서는 전처리 이후 곧바로 추론이 수행되므로, 이러한 전처리 시간은 전체 응답시간에 직접 반영된다. 다만 본 연구에서는 전처리 여부와 무관하게 최종적으로 1,024개의 포인트를 고정 개수로 샘플링하여 모델 입력으로 사용하므로, 추론 단계의 연산량 차이는 제한적이다. 따라서 제안 기법의 추가 계산 부담은 주로 전처리 시간 측면에서 해석하는 것이 타당하다.

5. 결 론

본 연구에서는 돈사 환경에서 획득한 3차원 포인트 클라우드 데이터를 기반으로 모돈 체중을 비접촉 방식으로 추정하기 위한 전처리 및 회귀 모델링 기법을 제안하였다. 실험에 사용된 데이터는 경상남도 함안군 소재 양돈 농장에서 수집된 126두의 모돈을 대상으로 하였으며, 동일 개체를 시기별로 반복 촬영하여 총 398개의 3차원 포인트 클라우드 샘플을 구축하였다. top-view 환경에서 촬영되었으며 실제 돈사 구조 및 사육 환경을 반영한 데이터로 구성되었다. 체중 추정 모델로는 전역 특징 기반 구조인 PointNet과 국소 이웃 관계 기반의 동적 그래프 모델인 DGCNN을 활용하였다. 추가적으로 모돈의 체형을 분석하여 자동으로 중심을 탐색하고 이를 기반으로 타원 형태로 분할하는 기법인 CP-OS를 제안하였다. 이를 통해 체중 예측에 불필요한 외곽 포인트를 효과적으로 제거하였다.

실험 결과, PointNet과 DGCNN 모두에서 CP-OS를 적용한 경우 가장 우수한 성능을 보였다. 이는 중심점 기반 탐색과 타원 ROI 정제를 포함한 전처리 전략이 단순한 배경 제거를 넘어, 실제 돈사 환경에서 획득된 포인트 클라우드 내 잡음을 줄이고 입력 형상의 공간적 일관성을 높임으로써 전역 특징 기반 모델과 국소 관계 기반 모델 모두에 긍정적인 영향을 줄 수 있음을 보여준다. 따라서 본 접근은 과도한 인력 개입이나 추가 장비 구성 없이 실제 돈사 환경에서 모돈 체중을 비접촉 방식으로 모니터링하기 위한 기초 기술로 활용될 수 있으며, 향후 등지방 두께, 체형 지표 등 다양한 3차원 기반 생체 계측 문제로도 확장 가능성이 있다.

다만 PointNet 기반에서 가장 우수한 성능으로 얻어진 최종 MAPE 10.76%는 실제 농장 관리에서 정밀 계근 장비를 직접 대체하기에는 아직 한계가 있는 수준으로 판단된다. 그럼에도 불구하고 본 연구는 실제 돈사 환경의 배경 잡음이 포함된 포인트 클라우드를 대상으로, 과도한 인력 개입이나 추가 장비 구성 없이 비접촉 체중 추정을 수행하였다는 점에서 의미가 있다. 특히 동일한 조건에서 Original 대비 RMSE, MAE, MAPE가 모두 개선되었고, $R^2$ 또한 향상되어 제안한 CP-OS가 실제 현장 환경에서 입력 품질을 개선하는 데 기여함을 확인하였다. 따라서 본 연구의 실용적 의의는 현 단계에서 정밀 계측을 완전히 대체하는 데 있다기보다, 반복적인 수작업 계측 부담을 줄이고 개체의 체중 변화를 비접촉 방식으로 지속적으로 모니터링하기 위한 보조적 도구의 가능성을 제시하였다는 데 있다.

또한 본 연구는 단일 농장, 고정된 top-view 카메라 1대, 단일 교잡종 집단 및 고정된 촬영 조건에서 수집된 데이터를 기반으로 수행되었으므로, 다양한 농장 환경, 카메라 설치 조건, 개체군 특성을 포함한 추가 검증이 필요하다. 아울러 CP-OS의 파라미터 설정에 따른 민감도 분석, K-means 및 PointNet++ 기반 분할과 같은 추가 대안 전처리 기법과의 비교, 보다 광범위한 환경 일반화 평가는 향후 후속 연구에서 체계적으로 수행될 필요가 있다.