[논문 리뷰] Cattle Identification Using Muzzle Images and Deep Learning Techniques

Geoffrey Kimani, P. Oluwadara외 5명|arXiv (Cornell University)|2023. 11. 14.

Food Supply Chain Traceability인용 수 4

한 줄 요약

이 연구는 자원이 제한된 환경에서 정확하고 저비용의 생체 인식 식별을 가능하게 하기 위해 코뿔소 코 이미지와 이미지 압축을 활용한 딥러닝 기반의 소 식별 시스템을 제안한다. 25%의 이미지 품질 유지율을 기반으로 한 넓은 ResNet50를 사용할 경우, 정확도가 99.5%에 도달하여, 저품질의 압축된 이미지라도 고성능 식별이 가능함을 입증한다. 이는 아프리카의 소규모 농장 및 이동 농업 환경에 적합하다.

ABSTRACT

Traditional animal identification methods such as ear-tagging, ear notching, and branding have been effective but pose risks to the animal and have scalability issues. Electrical methods offer better tracking and monitoring but require specialized equipment and are susceptible to attacks. Biometric identification using time-immutable dermatoglyphic features such as muzzle prints and iris patterns is a promising solution. This project explores cattle identification using 4923 muzzle images collected from 268 beef cattle. Two deep learning classification models are implemented - wide ResNet50 and VGG16\_BN and image compression is done to lower the image quality and adapt the models to work for the African context. From the experiments run, a maximum accuracy of 99.5\% is achieved while using the wide ResNet50 model with a compression retaining 25\% of the original image. From the study, it is noted that the time required by the models to train and converge as well as recognition time are dependent on the machine used to run the model.

연구 동기 및 목표

• 기존의 비침습적이고 확장 가능한 소 식별 시스템을 개발하여 전통적 및 전기식 태그 방법의 한계를 극복한다.
• 저품질의 코 이미지에서 딥러닝 모델의 성능을 평가하여 현장 적용에서 하드웨어 및 운영 비용을 줄인다.
• 이미지 압축이 저비용 및 저자원 농업 환경에서의 모델 정확도와 학습 효율성에 미치는 영향을 평가한다.
• 새로운 동물을 데이터베이스에 추가할 때 발생하는 확장성 문제를 해결하기 위해 스케일아웃 앙상블 모델 전략을 제안한다.
• 최소한의 장비와 인프라로도 효과적으로 기능하는 시스템을 통해 실용적 구현을 가능하게 한다.

제안 방법

• 연구는 아프리카 농업 현장에서 실제 수집한 268头의 육우 4,923장의 코 이미지를 사용한다.
• 개별 소를 식별하기 위한 이미지 분류를 위해 넓은 ResNet50와 VGG16_BN 두 가지 딥러닝 모델을 학습시킨다.
• 저대역폭 및 저비용 이미징 조건을 시뮬레이션하기 위해 JPEG를 활용해 이미지 품질을 원본의 100%, 50%, 25%로 압축한다.
• Google Colab 및 Colab Pro 플랫폼을 사용해 모델 학습을 수행하며, 압축 수준에 따라 학습 시간, 수렴 속도, 추론 시간을 모니터링한다.
• 과적합을 방지하기 위해 조기 정지 기법을 사용하고, 정확도, 에포크 수, 총 학습 시간을 기준으로 모델 성능을 평가한다.
• 새로운 소 클래스에 대해서만 재학습하는 방식으로 전체 모델을 다시 학습하지 않기 때문에, 확장성 문제를 해결하기 위해 스케일아웃 앙상블 모델 전략을 제안한다.

Figure 1: Pretrained Models Architecture (Source: Deep Transfer Learning for Land Use and Land Cover Classification: A Comparative Study, Raoof Naushad et. al.)

실험 결과

연구 질문

• RQ1 압축된 저품질의 코 이미지를 사용할 때 딥러닝 모델이 저비용 현장 적용에 적합한 고정확도의 소 식별을 달성할 수 있는가?
• RQ2 이미지 압축은 소 식별에서 딥러닝 모델의 학습 시간, 수렴 속도, 인식 정확도에 어떤 영향을 미치는가?
• RQ3 제한된 이미징 인프라를 가진 실제 농업 환경에서 이미지 품질과 모델 성능 간의 상호 교환 관계는 어떠한가?
• RQ4 데이터베이스에 새로운 동물을 추가할 때 생체 인식 소 식별 시스템의 확장성을 어떻게 향상시킬 수 있는가?
• RQ5 새로운 소가 추가될 경우 전체 모델을 다시 학습하는 데 드는 계산 부담을 줄이기 위해 스케일아웃 앙상블 모델 접근 방식이 효과적인가?

주요 결과

• 넓은 ResNet50 모델은 원본 크기의 25%로 압축된 이미지를 사용할 경우 최고의 정확도 99.5%를 기록했다.
• 중요한 이미지 압축에도 불구하고 넓은 ResNet50 모델은 높은 성능을 유지했으며, 원본 품질 이미지(99.2%)와 비교해 정확도가 약간 감소하는 데 그쳤다.
• 이미지 압축으로 인해 두 모델의 에포크당 시간이 감소했으며, Colab Pro의 높은 컴퓨팅 파워 덕분에 VGG16_BN 모델이 더 빠른 학습 속도를 기록했다.
• 총 학습 시간은 압축 수준에 따라 상대적으로 안정적이었으며, 높은 압축 수준에서는 약간의 학습 시간 증가가 관찰되었다.
• VGG16_BN 모델은 25% 이미지 품질에서 최대 98.04%의 정확도를 달성했으며, 이는 여전히 높은 성능이지만 동일 조건에서 넓은 ResNet50의 99.5%보다 낮았다.
• 이 연구는 저품질 이미지라도 고정확도 식별이 가능함을 확인했으며, 고성능 카메라가 필요 없이 저자원 농업 환경에 효과적으로 구현 가능한 시스템임을 입증한다.

Figure 2: Modified Architecture