Introduction

육계 산업의 확대와 정밀 모니터링 기술의 수요 증대

육계 산업은 전 세계적으로 지속적인 성장세를 보이고 있으며, 단위 면적당 생산성을 높이기 위한 집약형 사육 시스템이 일반화되고 있다. 이러한 생산 구조는 공급 효율성과 경제성을 향상시키는 데 기여하였으나, 동시에 사육 밀도 증가, 환경 관리 부담 확대, 개체별 상태 확인의 어려움과 같은 새로운 관리 문제를 동반하고 있다. 국내에서도 육계 산업의 규모는 지속적으로 높은 수준을 유지하고 있다.

통계청 「가축동향조사」에 따르면 2025년 1분기 육계의 사육 마릿수는 9,395만 8천 마리로 집계되었으며(Statistics Korea, 2025), 국가통계포털(KOSIS) 「육류 생산량」 통계에 따르면 2023년 국내 닭고기 생산량은 62만 4천 톤에 달하였다(국가통계포털[KOSIS], 2025). 이러한 수치는 육계 산업이 대규모·집약형 구조를 기반으로 운영되고 있음을 보여주며, 동시에 개체 상태와 군집 행동을 효율적으로 관리할 수 있는 정밀 모니터링 기술의 필요성을 뒷받침한다. 특히 대규모 육계사는 동일 공간 내에 다수의 개체가 밀집하여 사육되기 때문에, 관리자에 의한 직접 관찰만으로는 개체의 건강 상태, 활동성 변화, 이상행동 발생 여부를 지속적이고 정량적으로 파악하는 데 한계가 있다. 이와 같은 배경에서 가축의 상태를 비접촉 방식으로 연속 관찰하고, 질병이나 스트레스의 징후를 조기에 탐지할 수 있는 정밀 모니터링 기술의 필요성이 점차 커지고 있다. Fig. 1은 국내 육계 산업이 지속적으로 대규모·집약형 구조를 유지하고 있음을 보여주며, 이에 따라 정밀축산 기술 기반 모니터링의 필요성이 확대되고 있음을 시사한다.

Fig. 1.

Trends in chicken meat production and broiler inventory in Korea: (a) chicken meat production and (b) broiler inventory.

정밀축산 기술은 센서, 영상, 환경 데이터, 인공지능 기반 분석을 활용하여 가축의 생리적·행동적 상태를 실시간으로 모니터링하고, 이를 생산성 및 복지 향상과 연계한다. 이에 따라 정밀축산은 생산성 향상뿐 아니라 동물복지 증진, 건강 이상 조기 탐지, 노동력 절감, 실시간 의사결정 지원을 포함하는 통합 관리 체계로 확장되고 있다(Rowe et al., 2019; Norton et al., 2019). 육계 분야에서 정밀축산 기술은 사육환경 관리의 자동화뿐 아니라, 개체 및 군집 수준에서의 행동 분석, 활동량 변화 추정, 밀집도 평가, 섭식 및 음수 패턴 파악, 이상행동 감지 등 다양한 목적으로 활용되고 있다. 그중에서도 영상 기반 모니터링은 별도의 개체 부착 장치 없이 넓은 공간을 동시에 관찰할 수 있고, 군집 전체의 시공간적 행동 변화를 연속적으로 수집할 수 있다는 점에서 육계사 환경에 적합한 수단으로 주목받고 있다(Okinda et al., 2020; Li et al., 2020).

대규모 육계사 환경에서의 관리 한계 및 영상 기반 모니터링 기술의 필요성

육계사는 일반적으로 높은 사육 밀도, 반복적인 개체 중첩, 급이기 및 급수기와 같은 시설물에 의한 가림, 일령 증가에 따른 체형 변화, 그리고 조명 조건의 변화가 동시에 나타나는 복합적인 환경이다. 이러한 조건은 단순한 육안 관찰뿐 아니라 자동화된 계측 및 분석에도 어려움을 유발한다. Okinda et al.(2020)은 가금류 사육환경에서 컴퓨터 비전 시스템의 현장 적용을 저해하는 핵심 요인으로 고밀도 군집, 빈번한 부분 가림(occlusion), 배경 복잡성, 조명 변화, 그리고 개체 간 외형 유사성을 지적하였으며, Li et al.(2020) 또한 상업적 육계사 환경에서는 실험실 조건에 비해 영상 품질 변동과 행동 패턴의 비정형성이 더욱 커져 자동 행동 분석의 난도가 증가한다고 보고하였다. 실제로 상부(top-view) 영상 기반 육계 모니터링에서는 급수 라인, 급이기, 체인 등 설비 요소가 개체 영역을 지속적으로 가려 탐지 누락과 경계 왜곡을 유발할 수 있으며, Guo et al.(2020)은 급이기와 급수기 주변에서의 분포 분석 과정에서 이러한 설비 간섭이 오검출 및 미검출의 주요 원인임을 보고하였다. 이어 Guo et al.(2021)은 설비에 의해 가려진 육계 영역을 복원하는 별도 영상처리 절차를 제안하면서, 시설물 가림 문제가 육계 행동 분석과 분포 추정의 실질적 제약임을 재확인하였다.

또한 초기 사육 단계에서는 개체 간 간격이 비교적 넓어 시각적 구분이 가능하지만, 성장 후기로 갈수록 체구 증가와 군집 밀도 상승으로 인해 객체 간 경계가 불분명해지고, 개체 분리와 식별의 정확도가 저하된다. 이러한 문제는 단순한 크기 변화에 그치지 않고, 일령에 따라 섭식, 음수, 휴식, 정지, 이동 행동의 시공간적 패턴이 달라진다는 점에서 더욱 복합적이다. Guo et al.(2022)은 2, 9, 16, 23일령 육계를 대상으로 한 딥러닝 기반 행동 인식 연구에서 일령별 영상 특성과 행동 표현 양상이 상이함을 보여주었으며, 이는 동일 모델이 전 생육 구간에서 동일한 성능을 유지하기 어렵다는 점을 시사한다. 더불어 조명 강도와 광원 특성은 육계의 활동성, 휴식, 탐색 행동뿐 아니라 영상의 명암 대비, 그림자 형성, 윤곽 추출에도 직접적인 영향을 미친다. Kristensen et al.(2007)과 Deep et al.(2012)은 광원 및 조도 조건에 따라 육계의 행동 발현 양상이 달라질 수 있음을 보고하였으며, 이러한 결과는 영상 기반 분석 시스템이 단순히 객체만 인식하는 수준을 넘어 조명 환경 변화까지 고려해야 함을 보여준다.

따라서 군집 단위의 이동, 휴식, 섭식, 음수 행동을 특정 시점의 육안 관찰만으로 파악하는 것은 한계가 있으며, 시간 연속성을 반영한 자동 모니터링 체계가 요구된다. Fig. 2는 상업적 육계사 영상 모니터링에서 반복적으로 보고되는 대표적 난제를 선행연구를 바탕으로 재구성하여 요약한 것이다. 구체적으로, 고밀도 군집과 개체 중첩은 litter-floor 환경에서의 개체 탐지와 분리를 어렵게 하고(Guo et al., 2020; Guo et al., 2023), 급이기·급수기 등에 의한 가림은 장비 주변 개체의 탐지 및 복원 정확도를 저하시킨다(Guo et al., 2021). 또한 조명 및 열 환경 변화는 영상 품질과 열 분포 해석에 영향을 미치며(Shah et al., 2022), 일령 증가에 따른 외형 변화는 체형, 크기, 깃털 발달 차이로 인해 탐지 및 행동 분석 모델의 일반화 성능에 영향을 미친다(Guo et al., 2022). 따라서 이러한 요인들은 탐지, 추적, 분할 및 행동 분석의 정확도와 강건성에 복합적으로 작용하므로, 영상 획득 단계와 알고리즘 설계 단계에서 함께 고려되어야 한다.

Fig. 2.

Representative visual and environmental challenges in commercial broiler-house video monitoring. Author-assembled based on Guo et al. (2020, 2021, 2022, 2023) and Shah et al. (2022).

이와 같은 문제는 질병 확산, 스트레스 누적, 성장 불균일, 폐사 증가 등의 위험을 조기에 파악하지 못하게 만들 수 있다. 따라서 육계사 관리에서는 개체 또는 군집의 상태를 연속적으로 모니터링하고, 변화 양상을 정량적으로 분석할 수 있는 시스템이 요구된다. Norton et al.(2019)은 정밀축산 기술의 핵심을 가축 상태를 디지털 표현으로 전환하여 실시간 의사결정에 활용하는 데 있다고 보았으며, 육계 분야에서는 이러한 접근이 복지 평가와 건강 이상 조기 탐지에 특히 유효하다. 영상 기반 접근은 이러한 요구에 대응할 수 있는 대표적 방법으로, 카메라를 통해 획득한 영상을 기반으로 객체 탐지, 개체 수 추정, 행동 분석, 이동 경로 추적, 이상징후 탐지 등을 수행할 수 있다. 예를 들어 Dawkins et al.(2009)은 광류(optical flow) 기반 분석을 통해 군집 움직임으로부터 보행 상태와 복지 수준을 정량화할 수 있음을 보였고, 후속 연구에서는 상업적 육계사에서 장기간 수집된 CCTV 데이터가 폐사율 및 족관절 피부염(hock burn)과 유의한 관련성을 보여 조기 경보 지표로 활용될 가능성이 제시되었다(Dawkins et al., 2021). 최근에는 딥러닝 기반 컴퓨터 비전 기술의 발전으로 인해 보다 정밀한 객체 탐지와 추적이 가능해지고 있다. Guo et al.(2023)은 깔짚(litter) 바닥 환경에서 YOLOv5-CBAM 기반 모델을 적용하여 가려진 개체와 소형 객체에 대한 탐지 성능 개선 가능성을 제시하였고, Campbell et al.(2024)은 상업적 육계사 조건에서 객체 탐지와 탐지 기반 추적(tracking-by-detection)을 결합하여 활동 궤적을 기반으로 군집 활동 수준을 분류할 수 있음을 보였다. 또한 Jaihuni et al.(2023)은 YOLOv5와 Neo-Deep SORT를 결합하여 개체 이동성 평가를 수행함으로써, 영상 기반 시스템이 단순 계수(counting)를 넘어 복지 및 건강 상태의 간접 지표를 추정하는 방향으로 발전하고 있음을 보여주었다. 그러나 여전히 고밀도 환경에서의 재식별 오류, 군집 중첩, 배경 잡음, 조명 변화는 해결해야 할 과제로 남아 있으며, 따라서 실제 육계사에 적합한 영상 모니터링 시스템은 카메라 설치 조건, 데이터 수집 방식, 알고리즘 강건성을 통합적으로 고려하여 설계될 필요가 있다.

컴퓨터 비전 기반 육계 모니터링 연구의 발전

컴퓨터 비전 기반 육계 모니터링 연구는 크게 전통적 영상처리 기반 접근과 딥러닝 기반 접근으로 발전해 왔다. 초기 연구에서는 배경 차분, 광류, 윤곽 추출, 형태학적 연산과 같은 고전적 기법을 활용하여 군집의 움직임, 분포, 활동 수준을 정량화하는 데 초점이 맞추어졌다. 이러한 방법은 비교적 계산량이 적고 구현이 단순하다는 장점이 있으며, 군집 전체의 움직임을 신속하게 파악하는 데 유용하였다. 대표적으로 Dawkins et al.(2009)은 광류 패턴을 이용하여 육계 군집의 움직임을 정량화하고, 이를 보행 상태와 연계할 수 있음을 보여주었다. 이후 Dawkins et al.(2021)은 상업적 육계사 조건에서 장기간 수집된 영상 데이터를 기반으로 광류 지표와 복지 관련 지표 간의 관련성을 보고함으로써, 전통적 영상처리 기반 접근이 단순한 움직임 측정을 넘어 복지 평가 지표로도 활용될 수 있음을 제시하였다. 또한 Guo et al.(2020)은 상부(top-view) 카메라 영상을 이용해 육계의 공간 분포를 정량화함으로써, 군집의 밀집 양상과 설비 주변 분포 특성을 분석할 수 있음을 보였다.

그러나 전통적 영상처리 기반 방법은 조명 변화, 그림자, 배경 복잡성, 군집 중첩에 취약하다는 한계를 지닌다. 특히 상업적 육계사에서는 깔짚의 질감 변화, 급이기 및 급수기와 같은 시설물, 먼지 및 오염, 성장 단계에 따른 외형 변화가 동시에 발생하기 때문에 단순 임계값 처리(thresholding)이나 윤곽선(contour) 기반 분석만으로는 안정적인 분할과 추적이 어렵다(Okinda et al., 2020; Li et al., 2020). Guo et al.(2021)은 급이기와 급수기에 의해 가려진 육계 영역을 복원하기 위한 머신비전 기반 보정 기법을 제안하였으며, 이러한 시도는 전통적 방법이 현장 적용 과정에서 직면하는 가림 문제를 보완하려는 흐름으로 해석될 수 있다. 즉, 초기 연구는 군집 수준의 거시적 특성 파악에는 효과적이었지만, 개체 수준의 정밀한 탐지, 추적, 행동 분류에는 구조적 한계가 있었다.

이후 합성곱 신경망(Convolutional Neural Network, CNN)의 도입과 함께 육계 영상 분석은 객체 탐지, 분할, 추적, 행동 분류를 포함하는 보다 정교한 단계로 진화하였다. 딥러닝 기반 접근은 복잡한 배경과 비정형 자세를 가진 객체에서도 특징을 자동으로 추출할 수 있기 때문에, 전통적 기법보다 높은 강건성과 일반화 가능성을 제공한다. 최근 연구에서는 YOLO 계열 모델, Faster R-CNN, Mask R-CNN, U-Net 계열 분할 모델 등이 가금류 및 육계 영상 분석에 폭넓게 적용되고 있다(Okinda et al., 2020; Li et al., 2020). 특히 Guo et al.(2023)은 YOLOv5-CBAM 모델을 이용하여 깔짚 바닥 환경의 육계를 탐지하면서, 부분 가림과 소형 객체 탐지 성능을 개선할 수 있음을 보였다. 이는 상업적 육계사와 같이 복잡한 현장 환경에서도 실시간 객체 탐지 기술의 적용 가능성이 높아지고 있음을 시사한다.

객체 탐지 기술의 발전은 개체 수 추정과 위치 식별뿐 아니라 추적 및 행동 분석으로의 확장을 가능하게 하였다. 객체 추적은 시간에 따른 개체의 이동 경로와 활동 수준을 분석하는 데 핵심적인 역할을 하며, 최근에는 탐지 기반 추적 구조가 활발히 사용되고 있다. Campbell et al.(2024)은 상업적 육계사에서 객체 탐지와 궤적 기반 군집화(trajectory-based clustering)을 결합하여 군집 활동 수준을 분류하였고, Jaihuni et al.(2023)은 YOLOv5와 Neo-Deep SORT를 활용하여 육계의 이동성을 정량화하였다. 이러한 연구들은 영상 기반 모니터링이 단순 계수(counting) 단계에서 벗어나 개체 행동과 복지 상태를 추정하는 방향으로 발전하고 있음을 보여준다. 또한 Guo et al.(2022)은 서로 다른 일령의 육계를 대상으로 딥러닝 기반 행동 인식 모델을 적용하여, 일령 변화에 따라 행동 표현과 분류 성능이 달라질 수 있음을 보고하였다. 이는 행동 분석 모델이 단일 알고리즘의 성능 향상만으로 해결되지 않으며, 성장 단계와 환경 조건을 반영한 데이터셋 구성 및 학습 전략이 병행되어야 함을 시사한다.

최근 연구의 또 다른 특징은 단일 RGB 카메라 기반 분석을 넘어, 다중 시점 카메라, 천장 고정형 카메라, PTZ 카메라, 열화상 카메라(thermal imaging camera), 깊이 카메라(depth camera) 등을 결합하는 방향으로 확장되고 있다는 점이다. Okinda et al.(2020)은 가금류 모니터링에서 카메라 시스템의 설치 방식과 영상 센서 유형이 분석 목적에 따라 달라져야 한다고 정리하였으며, Li et al.(2020) 역시 단일 시점 기반 영상 분석만으로는 군집 중첩과 재식별 문제를 충분히 해결하기 어렵다고 지적하였다. 따라서 최근의 컴퓨터 비전 연구는 단순히 더 높은 정확도의 알고리즘을 개발하는 수준을 넘어, 카메라 시스템 구성과 영상 분석 기법을 함께 설계하는 통합적 방향으로 이동하고 있다.

그럼에도 불구하고 기존 연구들은 여전히 실험실 수준 또는 제한된 조건에서 수행된 경우가 많고, 상업적 육계사와 같은 실제 현장에서는 다수의 기술적 제약이 존재한다. 대표적으로 고밀도 환경에서의 개체 중첩, 동일 외형으로 인한 재식별의 어려움, 바닥 깔짚 및 시설물에 의한 배경 복잡성, 조도 변화, 먼지 및 오염에 따른 영상 품질 저하 등이 있다(Okinda et al., 2020; Li et al., 2020). 따라서 육계사 영상 기반 모니터링 기술을 현장에 적용하기 위해서는 카메라 시스템 구성과 영상 분석 알고리즘을 개별적으로 검토하는 수준을 넘어, 데이터 획득 환경과 현장 운용 조건을 포함한 통합적 관점에서 기술을 평가할 필요가 있다.

본 리뷰의 범위와 기여

본 논문은 상업적 육계사 환경에서 적용 가능한 영상 기반 모니터링 기술의 연구 동향을 체계적으로 고찰하고, 카메라 시스템과 영상 분석 알고리즘을 통합적인 관점에서 정리함으로써 현장 적용을 위한 기술적 시사점을 도출하는 것을 목적으로 한다. 구체적으로 첫째, 육계사 영상 데이터가 갖는 고밀도 군집, 반복적 중첩, 시설물에 의한 가림, 조명 변화, 성장 단계에 따른 외형 변화와 같은 환경적·시각적 특성을 정리하고, 이러한 특성이 객체 탐지, 추적, 분할, 행동 분석의 정확도와 강건성에 어떤 영향을 미치는지를 분석하고자 한다. 둘째, 고정형 카메라, 천장형 상부 카메라, PTZ 카메라, 다중 카메라, 열화상 및 깊이 카메라 등 영상 획득 체계의 유형과 설치 방식을 비교하여, 각 시스템이 개체 계수, 군집 분포 분석, 행동 모니터링, 이상징후 탐지와 같은 목적에 대해 어떠한 장점과 한계를 갖는지를 정리하고자 한다. 셋째, 객체 탐지, 객체 추적, 인스턴스 분할, 행동 인식, 군집 활동 분석, 복지 및 건강 이상 징후 추정 등 주요 컴퓨터 비전 기법의 적용 사례를 종합하여, 사용된 알고리즘, 데이터 특성, 평가 지표, 성능 수준 및 한계점을 비교·분석하고자 한다.

또한 본 리뷰는 단순히 기술 유형을 나열하는 데 그치지 않고, 실제 상업적 육계사 환경에서 영상 기반 시스템을 적용할 때 요구되는 운용 조건과 기술적 제약을 함께 논의하는 것을 또 다른 중요한 목표로 한다. 이를 위해 기존 연구에서 반복적으로 제기된 개체 재식별의 어려움, 군집 중첩, 배경 복잡성, 조도 변화, 영상 오염, 실시간 처리 문제, 장기 모니터링 데이터의 안정성 문제를 종합적으로 검토하고, 연구실 수준의 성능 검증과 현장 수준의 운용 가능성 사이의 차이를 비판적으로 고찰하고자 한다. 나아가 본 논문은 육계 복지 평가, 건강 이상 조기 탐지, 사양관리 자동화, 노동력 절감 및 정밀축산 고도화와 연계될 수 있는 향후 연구 방향을 제안하고, 궁극적으로는 현장 적용성이 높은 통합형 육계 모니터링 시스템 설계를 위한 기초 자료와 연구 프레임워크를 제공하고자 한다.

Characteristics of Broiler-House Video Data and Analytical Tasks

육계사 영상 데이터의 시각적·환경적 특성

육계사에서 획득되는 영상 데이터는 일반적인 객체 인식용 영상과 달리, 사육환경의 구조적 제약과 생육 단계에 따른 생물학적 변동성이 동시에 반영된다는 점에서 독특한 특성을 가진다(Okinda et al., 2020; Li et al., 2020). 가장 대표적인 특징은 높은 사육 밀도에 따른 빈번한 개체 중첩이다. 상업적 육계사는 동일 공간 내에 다수의 개체가 밀집하여 사육되기 때문에 개체 간 경계가 쉽게 겹치며, 특히 성장 후기로 갈수록 체구 증가와 군집 간격 감소가 동시에 일어나 객체의 분리, 추적, 재식별이 더욱 어려워진다(Okinda et al., 2020; Guo et al., 2022). 이러한 중첩 현상은 단순히 탐지 누락을 증가시키는 데 그치지 않고, 개체 면적 추정, 중심점 추정, 이동경로 연결 등 후속 분석 단계 전반에 오차를 누적시키는 원인이 된다.

두 번째 특징은 시설물에 의한 반복적 가림(occlusion)이다. 육계사 내부에는 급이기, 급수기, 니플 라인, 체인, 조명 설비, 환기 장치 등 다양한 구조물이 존재하며, 이들은 영상 내에서 개체의 일부 또는 전체를 지속적으로 가릴 수 있다. Guo et al.(2020)은 육계 바닥 분포 모니터링 과정에서 급이기와 급수기 주변이 탐지 오차가 집중되는 구역임을 보여주었고, Guo et al.(2021)은 급이 및 급수 설비에 의해 가려진 육계 영상을 복원하기 위한 별도의 머신비전 기법을 제안하였다. 이는 시설물 가림이 육계사 영상 데이터에서 일시적 노이즈 수준의 문제가 아니라, 객체 탐지와 형태 복원 자체를 어렵게 만드는 구조적 제약임을 의미한다.

세 번째 특징은 배경의 비정형성과 낮은 대비이다. 육계사 바닥은 일반적으로 깔짚으로 구성되며, 깔짚의 색상과 질감은 시간 경과, 습도, 분변 축적, 사료 잔재, 관리 상태에 따라 지속적으로 변화한다. 이러한 배경 변화는 객체와 배경 사이의 명암 대비를 감소시키고, 단순 임계값 처리이나 배경 차분 기반 분리 성능을 저하시킬 수 있다(Okinda et al., 2020; Li et al., 2020). 특히 흰색 또는 옅은 색을 띠는 육계의 체표는 조도 조건에 따라 바닥과 경계가 흐려질 수 있어, 영상 분할 및 윤곽 기반 분석에 불리한 조건을 만든다.

네 번째 특징은 조명 환경의 변동성이다. 상업적 육계사에서는 주야간 조명 제어, 계절적 일조 조건, 창문 유무, 광원 종류, 조도 설정에 따라 영상의 밝기와 색상 정보가 지속적으로 변할 수 있다. Kristensen et al.(2007)은 광원 종류와 조도 조건이 육계의 행동 시간예산에 영향을 미친다고 보고하였고, Deep et al.(2012) 또한 조명 강도에 따라 활동성과 일주기 리듬이 달라질 수 있음을 제시하였다. 이러한 결과는 조명 변화가 단순히 영상의 시각적 품질만 바꾸는 것이 아니라, 실제 관찰 대상의 행동 패턴 자체를 변화시킬 수 있음을 의미한다. 따라서 육계사 영상은 동일 알고리즘을 적용하더라도 조도 조건과 행동 상태가 동시에 달라지는 복합 환경 데이터로 이해될 필요가 있다.

다섯 번째 특징은 생육 일령에 따른 시각적 패턴의 변화이다. 육계는 생육이 진행됨에 따라 체형, 깃털 밀도, 체표 반사 특성, 이동 속도, 군집 간격, 행동 빈도 등이 달라지며, 이로 인해 같은 공간과 같은 카메라 조건에서도 시기별 영상 패턴이 크게 달라질 수 있다. Guo et al.(2022)은 2, 9, 16, 23일령 육계를 대상으로 한 딥러닝 기반 행동 인식 연구에서 일령별로 행동 표현과 영상 특징이 다르게 나타남을 보고하였다. 이는 특정 시점의 데이터로 학습된 모델이 전 생육 기간에 걸쳐 동일한 정확도를 유지하기 어렵다는 점을 시사하며, 육계사 영상 데이터가 본질적으로 시계열적 도메인 변화를 포함하고 있음을 보여준다.

이러한 특성은 데이터 수집 단계에서 카메라 시점과 설치 방식의 영향을 더욱 크게 만든다. 천장형 상부 카메라는 군집 전체의 분포와 밀집 양상을 넓게 관찰하는 데 유리하며, 실제로 Guo et al.(2020)과 Campbell et al.(2024)의 연구에서도 군집 수준의 공간 분포와 활동성 분석에 효과적으로 사용되었다. 반면 상부 영상은 개체의 측면 자세, 보행 자세, 머리 방향과 같은 세부 행동 특징을 획득하는 데 한계가 있을 수 있다. 이에 비해 측면 카메라는 자세 변화와 특정 행동 분류에는 유리할 수 있지만, 밀집 군집 환경에서는 개체 간 가림이 더 심해질 수 있다. Okinda et al.(2020)와 Li et al.(2020)는 이러한 이유로 가금류 모니터링에서 카메라 설치 높이, 시야각, 해상도, 프레임률, 조명 조건, 센서 종류를 분석 목적과 함께 고려해야 한다고 정리하였다. 즉, 육계사 영상 데이터의 특성은 단순히 영상 자체의 문제라기보다, 사육환경, 생육 단계, 카메라 구성, 그리고 분석 목적이 결합된 복합 시스템의 산물로 이해되어야 하며, 이러한 특성에 대한 이해는 알고리즘 선택 이전에 선행되어야 할 핵심 단계이다.

육계사 영상 모니터링의 주요 분석 과제

육계사 영상 데이터로부터 도출하고자 하는 정보는 크게 개체 수준 정보와 군집 수준 정보로 구분할 수 있으며, 이에 따라 분석 과제도 다양하게 세분화된다(Okinda et al., 2020; Li et al., 2020). 가장 기본적인 과제는 객체 탐지(object detection)로, 이는 영상 내 육계의 위치를 식별하고 개체 수를 추정하는 데 활용된다. 객체 탐지는 이후의 추적, 행동 인식, 밀집도 분석, 분포 분석의 기초가 되기 때문에 전체 영상 분석 파이프라인에서 핵심적인 단계에 해당한다. 그러나 육계사 환경에서는 개체 크기의 변화, 부분 가림, 개체 간 접촉, 배경 복잡성 등으로 인해 일반적인 자연영상 기반 탐지 문제보다 난도가 높다. Guo et al.(2023)은 깔짚 바닥 환경에서 YOLOv5-CBAM 기반 모델을 적용하여 부분 가림과 소형 객체 조건에서의 탐지 성능 향상 가능성을 제시하였고, 이는 육계사와 같이 복잡한 현장 환경에서 강건한 탐지 모델의 필요성을 보여준다. 또한 Okinda et al.(2020)은 가금류 모니터링 연구 전반을 검토하면서 객체 탐지가 여전히 많은 후속 분석의 선행 단계로 기능하고 있음을 정리하였다. 즉, 객체 탐지는 단순 계수 문제를 넘어 개체 단위 분석과 군집 단위 분석을 연결하는 핵심 출발점으로 기능한다.

두 번째 핵심 과제는 객체 추적(Object tracking)이다. 추적은 개체의 시간적 연속성을 확보하여 이동 경로, 활동량, 정지 시간, 공간 점유 패턴 등을 분석하는 데 사용된다. 특히 탐지 기반 추적 방식은 각 프레임에서 탐지된 객체를 시간축 상에서 연결함으로써 개체 행동을 동적으로 해석할 수 있게 해준다. Campbell et al.(2024)은 상업적 육계사에서 객체 탐지와 궤적 기반 군집화을 결합하여 군집 활동 수준을 분류하였고, Jaihuni et al.(2023)은 YOLOv5와 Neo-Deep SORT를 활용하여 육계의 이동성을 정량화하였다. 이러한 연구는 추적이 단순한 위치 연결 기술을 넘어 활동성 평가와 건강·복지 지표 추정으로 확장될 수 있음을 보여준다. 그러나 실제 육계사에서는 외형이 매우 유사한 개체들이 밀집해 있고, 빈번한 교차와 가림이 발생하기 때문에 장시간 안정적 추적은 여전히 어려운 문제로 남아 있다(Li et al., 2020; Okinda et al., 2020). 따라서 일부 연구는 완전한 개체 추적보다 군집 수준의 활동성, 평균 이동량, 분포 중심 변화와 같은 집단 지표를 추정하는 방향으로 접근하기도 한다.

세 번째는 분할(segmentation) 및 영역 기반 분석이다. 인스턴스 분할은 서로 밀착된 개체를 개별 객체 단위로 분리하는 데 유용하며, 의미론적 분할(semantic segmentation)은 군집 밀도, 점유 영역, 휴식 구역 및 설비 주변 공간 이용 양상을 분석하는 데 활용될 수 있다. 특히 바닥 분포나 특정 구역 이용률은 열환경, 사육 밀도, 시설물 접근성, 군집 스트레스 수준을 반영할 수 있으므로, 단순 개체 수 이상으로 환경-행동 상호작용을 이해하는 데 중요한 지표가 된다. Guo et al.(2020)은 머신비전 기반 방법을 활용하여 육계사의 바닥 분포를 정량화하였고, 급이기 및 급수기 주변 공간 점유 양상이 육계사 내 군집 분포 특성과 밀접하게 연관될 수 있음을 보여주었다. 또한 Guo et al.(2021)은 시설물에 의해 가려진 육계 영역을 복원하는 방법을 제시함으로써, 세밀한 형태 정보 확보가 분포 분석과 후속 행동 해석의 정확도에 영향을 줄 수 있음을 시사하였다. 이와 함께 머리 기반 탐지, 윤곽 기반 분리, 밀도 추정(density estimation)과 같은 보조 기법도 밀집 군집 분석에서 활용될 수 있으며(Okinda et al., 2020), 이는 전통적인 객체 탐지 접근만으로 해결하기 어려운 밀집 환경 문제를 보완하는 방향으로 해석될 수 있다.

네 번째는 행동 분석(behavior analysis)과 이상징후 탐지(anomaly detection)이다. 육계의 섭식, 음수, 휴식, 이동, 군집화, 날개 퍼덕임, 비정상적 정지 또는 이동 저하와 같은 행동은 건강 상태와 복지 수준을 반영하는 중요한 지표로 간주된다(Li et al., 2020). 행동 분석은 단일 프레임 기반 자세 분류로 수행될 수도 있으나, 실제로는 일정 시간 구간의 움직임 패턴과 위치 변화를 함께 고려해야 하는 경우가 많다. Guo et al.(2022)은 서로 다른 일령의 육계를 대상으로 딥러닝 기반 행동 인식 모델을 적용하여, 일령별 행동 패턴과 영상 특징이 다르게 나타남을 보였다. 이는 행동 분석이 정적 분류 문제를 넘어 시계열 변화와 생육 단계 차이를 함께 고려해야 하는 과제임을 의미한다. 한편 Dawkins et al.(2009)은 광류(Optical flow) 패턴을 이용하여 군집 움직임과 보행 상태의 관련성을 제시하였고, Dawkins et al.(2021)은 광류 지표가 상업적 육계사에서 복지 관련 지표와 연관될 수 있음을 보여주었다. 이러한 연구들은 이상징후 탐지가 특정 행동의 발생 여부를 직접 분류하는 방식뿐 아니라, 정상 군집 패턴에서 벗어난 움직임, 분포, 반응성 변화를 감지하는 방식으로도 수행될 수 있음을 보여준다.

결국 육계사 영상 분석은 단일 알고리즘 문제라기보다, 객체 탐지-추적-분할-행동 분석이 연속적으로 연결된 다단계 분석 체계로 이해되어야 한다. 따라서 각 분석 과제는 독립적으로 평가될 수 있지만, 실제 현장 적용에서는 상호 의존적 관계를 가진다. 예를 들어 초기 탐지 성능이 낮으면 추적과 행동 분석 정확도 역시 함께 저하되며, 반대로 데이터 획득 환경이 안정적일수록 후속 분석 단계의 강건성도 향상된다(Okinda et al., 2020; Li et al., 2020). 이처럼 각 분석 과제는 개별 기술의 성능 경쟁만으로 평가될 수 없으며, 목적에 따른 데이터 수집 방식과 시스템 구성, 그리고 해석 가능한 관리 지표로의 전환 가능성과 함께 논의될 필요가 있다.

Fig. 3은 육계사 영상 모니터링이 영상 취득에서 시작하여 객체 탐지, 추적, 분할, 행동 분석, 관리 지표 산출로 이어지는 단계적 분석 흐름을 나타낸다. 이는 각 분석 과제가 독립적으로 분리된 절차가 아니라 상호 의존적인 파이프라인으로 연결되어 있으며, 초기 탐지 성능과 데이터 품질이 후속 분석 결과에 직접적인 영향을 준다는 점을 보여준다.

Fig. 3.

Analytical pipeline for broiler-house video monitoring, from image acquisition to detection, tracking, segmentation, behavior analysis, and management indicators.

현장 적용을 위한 기술적 제약과 실무적 고려사항

육계사 영상 모니터링 기술의 현장 적용 가능성은 단순히 알고리즘의 평균 정확도만으로 판단하기 어렵다. 상업적 육계사에서 실제로 요구되는 시스템은 장기간 연속 운용, 실시간 또는 준실시간 처리, 유지보수의 용이성, 데이터 저장 및 전송의 효율성, 그리고 관리자에게 해석 가능한 정보 제공까지 포함해야 한다(Norton et al., 2019; Okinda et al., 2020). 즉, 실험실이나 제한된 조건에서 높은 탐지 정확도를 달성한 모델이라 하더라도, 실제 육계사에서 수 주 또는 수 개월 동안 안정적으로 작동하지 못하면 현장 활용성은 제한적일 수밖에 없다. Campbell et al.(2024)이 상업적 육계사를 대상으로 제시한 개념검증(proof-of-concept) 시스템 역시 자동 탐지와 추적의 가능성을 보여주었지만, 동시에 현장 수준의 장기 운영과 해석 가능한 관리 지표 설계가 핵심 과제로 남아 있음을 시사한다.

첫 번째 제약은 영상 획득 환경과 장비 운용 조건의 불안정성이다. 상업적 육계사에서는 먼지, 수분, 깔짚 입자, 렌즈 오염, 결로, 조명 스케줄 변화, 카메라 위치 미세 변동, 전원 및 통신 불안정 등이 반복적으로 발생할 수 있다. 이러한 요인은 영상 품질 저하뿐 아니라 객체 탐지와 추적의 누락, 영상 프레임 손실, 데이터 동기화 오류 등으로 이어질 수 있다. Guo et al.(2020)은 상업적 시설에서 급이기 체인과 급수 라인에 의한 간섭이 탐지 누락의 주요 원인임을 보고하였으며, 이는 현장 환경의 구조적 요인이 알고리즘 성능에 직접적인 영향을 미친다는 점을 보여준다. Okinda et al.(2020)와 Li et al.(2020) 또한 가금류 모니터링 시스템이 실험 환경과 달리 농장 내 조도 변화, 배경 복잡성, 센서 오염, 밀집 군집 상황에 지속적으로 노출된다는 점을 현장 적용의 핵심 난제로 정리하였다. 따라서 현장 적용형 시스템은 높은 성능의 모델 개발뿐 아니라, 카메라 보호 구조, 정기적 보정(calibration), 영상 품질 점검, 데이터 손실 감지와 같은 운용 설계를 함께 포함해야 한다.

두 번째 제약은 데이터셋 구축과 모델 일반화(generalization)의 문제이다. 육계사 영상은 농장마다 조명 조건, 카메라 높이와 화각, 바닥 질감, 구조물 배치, 품종, 사육 밀도, 생육 일령 분포가 서로 다르기 때문에, 특정 환경에서 학습된 모델을 다른 환경에 그대로 적용하기 어렵다. Li et al.(2020)은 가금류 행동 및 복지 모니터링 연구를 정리하면서, 다수의 기존 연구가 제한된 실험 조건 또는 소규모 데이터셋에 기반하고 있어 현장 일반화에 제약이 있다고 지적하였다. 최근 Li et al.(2025)은 군사육 환경에서 다수 개체 추적의 일관성과 효율을 높이기 위한 연구에서, 유사한 외형, 빈번한 시설물 가림, 변화하는 환경이 ID 전환(identity switch)를 유발하여 추적 강건성을 저하시킨다고 보고하였다. 또한 이 연구는 주령 2주에서 7주까지, 급이기·급수기·개방 구역을 포함한 다양한 조건에서 추적을 수행하면서도, 여전히 보다 일반화 가능하고 효율적인 모델이 필요하다고 결론지었다. 이는 현장 적용형 모델이 단순히 높은 단일 데이터셋 성능을 보이는 것만으로는 충분하지 않으며, 다양한 환경을 반영한 학습 데이터, 도메인 적응(domain adaptation), 데이터 증강, 주기적 재학습 전략이 병행되어야 함을 시사한다.

세 번째 제약은 실시간성(real-time capability)과 계산 자원 간의 균형이다. 육계사 모니터링은 사후 분석만이 아니라 건강 이상 조기 경보와 관리 의사결정 지원을 목표로 하므로, 영상 분석 결과가 지나치게 늦게 도출되면 실질적 가치가 감소한다. 그러나 다중 객체 추적, 고해상도 분할, 장시간 시계열 행동 분석은 높은 연산량을 요구하며, 이를 현장 엣지 디바이스에서 실시간으로 수행하는 것은 쉽지 않다. Tóth et al.(2025)은 대규모 가금류 사육 환경에서 클라우드 기반 처리와 엣지 기반 처리의 적용성을 비교하면서, 클라우드 방식은 높은 계산 자원과 확장성을 제공하지만 안정적인 인터넷 연결에 의존하고, 엣지 방식은 저지연성과 현장 즉시성을 제공하지만 계산 자원이 제한된다는 점을 제시하였다. 이들은 실제 대규모 가금류 환경에서 두 방식을 비교한 결과, 현장 반응성과 대규모 분석을 동시에 고려할 때 엣지-클라우드 하이브리드(edge-cloud hybrid) 구조가 실용적일 수 있다고 보았다. 같은 맥락에서 Li et al.(2025)은 모델을 통해 탐지 속도를 개선하면서도 추적 성능을 유지하려는 접근을 제안하였는데, 이는 현장 시스템에서 정확도뿐 아니라 추론 속도와 자원 효율성이 동등하게 중요하다는 점을 잘 보여준다. 따라서 실시간 모니터링 시스템은 분석 목적에 따라 경량 모델, 샘플링 기반 분석, 이벤트 중심 저장 및 전송, 그리고 엣지-클라우드 분산 처리 구조를 함께 고려하여 설계될 필요가 있다.

네 번째 제약은 결과의 해석 가능성과 현장 활용성이다. 현장 관리자는 객체 탐지 점수나 추적 정확도 자체보다, 해당 시스템이 실제로 어떤 관리 판단을 지원하는지에 더 큰 관심을 가진다. 예를 들어 군집 분포 이상, 활동성 급감, 특정 구역 편중, 장시간 정지 개체 증가와 같은 결과는 질병, 스트레스, 환경 불량 또는 설비 접근 문제와 연결될 수 있어야 의미가 있다. Dawkins et al.(2009, 2021)은 광류 지표가 보행 상태와 복지 관련 지표와 연계될 수 있음을 보여주었고, Guo et al.(2020)은 바닥 분포 분석이 건강 및 복지 평가의 조기 지표로 활용될 수 있음을 제시하였다. 이러한 연구들은 영상 분석 결과가 단순히 “인식 성공 여부”를 넘어서, 현장 관리자에게 해석 가능한 관리 지표로 전환되어야 함을 보여준다. 따라서 향후 시스템 설계에서는 알고리즘 정확도뿐 아니라, 지표의 의미 해석, 경보 임계값 설정, 사용자 인터페이스, 장기 추세 시각화, 관리자 피드백 반영 구조를 함께 고려해야 한다.

다섯 번째 제약은 장기 운영에 필요한 시스템 수준의 통합성이다. 육계사 영상 모니터링은 독립적인 카메라-알고리즘 조합만으로는 충분하지 않으며, 환경 센서, 제어 시스템, 데이터베이스, 클라우드 플랫폼, 사용자 인터페이스와의 연동이 필요할 수 있다. Norton et al.(2019)은 정밀축산의 핵심이 동물 상태를 디지털 표현으로 전환하고 이를 의사결정과 연결하는 데 있다고 보았으며, 이는 곧 영상 기반 시스템 또한 개별 모델 성능을 넘어서 전체 농장 관리 체계와 결합되어야 함을 의미한다. Tóth et al.(2025) 역시 대규모 가금류 환경에서 데이터 처리 구조를 논의하면서, 영상과 환경 데이터를 포함한 디지털 인프라의 신뢰성과 확장성이 실제 운영에서 중요하다고 보았다. 따라서 육계사 영상 모니터링은 단순한 비전 알고리즘 개발 문제가 아니라, 데이터 수집 환경, 카메라 시스템 구성, 알고리즘 강건성, 통신 및 저장 구조, 해석 가능한 관리 지표, 운영 비용과 유지보수 전략을 포함하는 시스템 수준의 문제로 접근되어야 한다.

종합하면, 현장 적용형 육계사 영상 모니터링 시스템은 높은 정확도의 단일 모델을 제시하는 수준을 넘어, 불안정한 환경에서도 지속적으로 작동할 수 있는 견고성, 서로 다른 농장 조건에 대한 일반화 가능성, 실시간 추론 능력, 그리고 관리자 의사결정을 지원할 수 있는 해석 가능한 출력 구조를 동시에 갖추어야 한다. 따라서 다음 장에서는 실제 육계사 모니터링에 사용되는 카메라 시스템의 유형과 설치 방식, 그리고 각 시스템이 분석 목적에 따라 어떠한 장점과 한계를 가지는지를 중심으로 연구 동향을 정리하고자 한다.

Camera Systems for Broiler-House Monitoring

고정형 카메라와 상부 촬영 시스템

육계사 영상 모니터링에서 가장 널리 활용되는 카메라 시스템은 고정형 카메라를 기반으로 한 상부 촬영 방식이다. 고정형 카메라는 설치 구조가 비교적 단순하고, 일정한 시야를 안정적으로 유지할 수 있으며, 장기간 연속 모니터링에 적합하다는 장점을 가진다. 특히 천장 또는 높은 위치에 설치된 상부 카메라는 군집 전체의 분포, 밀집 양상, 이동 패턴, 공간 점유 특성을 넓은 범위에서 관찰할 수 있기 때문에 육계사와 같은 고밀도 집단 사육 환경에서 자주 사용된다(Guo et al., 2020; Okinda et al., 2020). 이러한 시점은 개체 간 중첩이 완전히 해소되지는 않더라도, 측면 시점에 비해 신체의 윤곽과 위치 중심을 비교적 일관되게 확보할 수 있어 군집 수준의 정량 분석에 유리하다.

실제로 Guo et al.(2020)은 상부 카메라 영상을 이용하여 육계의 바닥 분포를 분석하고, 급이기와 급수기 주변에서의 공간 점유 양상이 군집 행동 해석에 유용할 수 있음을 제시하였다. 또한 Campbell et al.(2024)은 상업적 육계사에서 상부 시점 영상을 기반으로 객체 탐지와 궤적 기반 군집화를 수행하여 군집 활동 수준을 분류하였다. 이러한 연구는 고정형 상부 카메라가 단순한 계수 목적을 넘어, 군집 활동성, 특정 구역 편중, 공간 이용 패턴과 같은 관리 지표를 산출하는 데 적합할 수 있음을 보여준다. 특히 동일 시야가 장기간 유지되는 고정형 시스템은 시간에 따른 변화 추이를 비교하는 데 유리하며, 이는 이상행동의 조기 탐지나 환경 변화에 따른 반응 분석에 강점을 가진다.

그러나 고정형 상부 카메라 시스템에도 분명한 한계가 존재한다. 첫째, 시야가 고정되어 있기 때문에 특정 영역의 세부 행동을 확대하여 관찰하기 어렵다. 둘째, 개체의 등쪽 정보 위주로 촬영되므로 보행 자세, 머리 방향, 섭식 동작과 같은 세부 행동 특성을 직접 파악하는 데 제약이 있다. 셋째, 급이기, 급수기, 라인 설비 등에 의해 부분 가림이 지속적으로 발생하며, 군집 밀도가 높아질수록 개체 경계가 더욱 불분명해질 수 있다(Guo et al., 2021; Li et al., 2020). 따라서 고정형 상부 카메라는 군집 수준의 전반적 상태 모니터링에는 매우 유효하지만, 세밀한 개체 행동 분류나 정밀 자세 분석만으로는 충분하지 않을 수 있다.

PTZ 카메라, 다중 카메라 및 특수 영상 센서

고정형 카메라의 한계를 보완하기 위한 대안으로 PTZ(Pan-Tilt-Zoom) 카메라, 다중 카메라 시스템, 그리고 열화상 카메라나 깊이 카메라와 같은 특수 영상 센서의 활용 가능성이 논의되고 있다(Okinda et al., 2020; Li et al., 2020). PTZ 카메라는 팬(pan), 틸트(tilt), 줌(zoom) 기능을 통해 관찰 영역을 유연하게 조절할 수 있기 때문에, 동일한 장비로 넓은 공간의 전반적 상태를 관찰하면서도 이상이 의심되는 구역을 확대해 세부적으로 확인할 수 있다는 장점이 있다. 이러한 특성은 상업적 육계사처럼 넓은 면적을 가진 공간에서 모니터링 효율을 높일 수 있는 가능성을 제공한다.

그러나 PTZ 카메라는 운용과 분석 측면에서 몇 가지 제약을 가진다. 카메라의 시야가 시간에 따라 변하기 때문에, 고정된 배경을 전제로 하는 분석 알고리즘을 그대로 적용하기 어렵고, 연속 프레임 간 공간적 일관성 유지도 어려워질 수 있다. 또한 줌 배율, 회전 속도, 관찰 우선순위 등의 제어 전략이 함께 설계되지 않으면, 오히려 장기 시계열 분석이나 자동 추적의 안정성을 저해할 가능성도 있다. 따라서 PTZ 카메라는 단독 시스템으로 활용되기보다는, 고정형 카메라가 전체 군집 상태를 감시하고 PTZ 카메라가 이상 구역을 정밀 관찰하는 보조 체계로 구성될 때 더 효과적일 가능성이 높다. 비록 육계사 대상 PTZ 적용 연구는 아직 제한적이지만, Okinda et al.(2020)은 가금류 모니터링에서 관찰 목적에 따라 카메라의 시야 조절성과 설치 방식이 중요하다고 정리하였으며, 이는 PTZ형 접근의 활용 가능성을 시사한다.

다중 카메라 시스템은 육계사 영상 모니터링에서 가장 현실적인 확장 방향 중 하나로 볼 수 있다. 단일 카메라는 시야 범위와 정보 종류가 제한되지만, 다중 카메라를 활용하면 서로 다른 시점에서 동일 구역을 관찰하여 가림 문제를 줄이고, 공간 정보를 보다 풍부하게 확보할 수 있다. 예를 들어 상부 카메라는 군집 분포와 이동량을 파악하고, 측면 카메라는 자세와 특정 행동을 보완적으로 관찰하는 방식으로 구성할 수 있다. Li et al.(2020)은 단일 시점 기반 영상 분석만으로는 군집 중첩과 재식별 문제를 충분히 해결하기 어렵다고 지적하였으며, Okinda et al.(2020) 역시 분석 목적에 따라 카메라의 설치 각도와 수량을 달리할 필요가 있다고 정리하였다. 이처럼 다중 카메라 시스템은 탐지 정확도 향상뿐 아니라, 분석 가능한 행동 범위를 넓히고 관측의 신뢰성을 높이는 장점을 가진다.

특수 영상 센서의 활용 역시 중요한 연구 방향이다. 열화상 카메라는 체표 온도 분포나 열적 이상을 비접촉 방식으로 관찰할 수 있어, 질병이나 열 스트레스의 조기 징후를 탐지하는 데 활용 가능성이 있다. 깊이 카메라는 조명 변화에 상대적으로 덜 민감하면서 입체 정보를 제공할 수 있어, 개체 분리, 자세 추정, 공간 점유 분석 등에 장점을 가질 수 있다. Okinda et al.(2020)은 가금류 복지 모니터링 관점에서 RGB 카메라 외에도 열화상, 깊이 센서, 음향 센서 등의 복합 활용 가능성을 제시하였으며, Norton et al.(2019) 또한 정밀축산 환경에서는 단일 센서보다 다중 센서 융합이 더 풍부한 디지털 표현을 제공할 수 있음을 시사하였다. 다만 이러한 특수 센서는 장비 비용, 데이터 처리 복잡성, 설치 및 유지관리 부담이 크기 때문에, 상업적 현장에서의 보급 가능성은 경제성과 운용성의 검토가 함께 필요하다.

카메라 시스템 선택과 설치 시 고려사항

육계사 영상 모니터링에서 카메라 시스템을 설계할 때는 단순히 더 높은 해상도나 더 많은 시야를 확보하는 것보다, 분석 목적에 적합한 영상 정보를 안정적으로 획득할 수 있는지가 더 중요하다. 예를 들어 개체 수 추정과 군집 분포 분석이 주목적이라면 상부 고정형 카메라가 상대적으로 효율적일 수 있지만, 보행 자세나 특정 행동의 세부 판별이 필요하다면 측면 카메라 또는 복합 시점 구성이 더 적절할 수 있다. 또한 이상징후를 조기에 탐지하려는 목적이라면 가시광 RGB 영상만으로는 한계가 있을 수 있으므로, 열화상이나 환경 센서와의 연동이 요구될 수 있다(Okinda et al., 2020; Norton et al., 2019).

설치 높이와 화각 역시 중요한 요소이다. 카메라가 너무 낮게 설치되면 해상도 측면에서는 유리할 수 있지만, 시야 범위가 좁아져 군집 전체를 포괄하기 어렵고, 시설물이나 개체에 의한 가림이 심해질 수 있다. 반대로 너무 높게 설치되면 넓은 영역을 한 번에 볼 수 있으나, 개체가 지나치게 작게 촬영되어 소형 객체 탐지 정확도가 저하될 수 있다. 따라서 설치 높이는 육계사 폭, 카메라 해상도, 목적 행동의 공간 규모를 함께 고려하여 결정되어야 한다. Okinda et al.(2020)와 Li et al.(2020)는 카메라 설치 높이, 시야각, 조명 조건, 프레임률과 같은 영상 획득 조건이 후속 분석 성능과 직결된다는 점을 강조하였다.

또한 상업적 육계사에서는 유지보수와 시스템 내구성도 반드시 고려해야 한다. 먼지, 습도, 암모니아, 렌즈 오염, 진동과 같은 현장 요인은 카메라의 장기적 성능 저하를 초래할 수 있으므로, 보호 하우징, 정기적 청소, 렌즈 오염 감지, 통신 상태 점검, 예비 저장장치 확보 등의 운용 전략이 필요하다. 2.3절에서 논의한 바와 같이, 현장 적용형 시스템은 실험실 수준의 일회성 측정 도구가 아니라 장기 운용을 전제로 한 디지털 인프라의 일부로 이해되어야 한다. 따라서 카메라 시스템 선택은 화질과 모델 성능만으로 결정될 수 없으며, 설치 비용, 유지관리 난이도, 데이터 저장 용량, 통신 인프라, 관리자 활용성까지 포함한 종합적 판단이 필요하다.

Fig. 4는 육계사 모니터링에 적용될 수 있는 카메라 구성 방식을 비교한 것으로, 고정형 상부 카메라, 측면 카메라, PTZ 카메라, 다중 카메라, 열화상 센서, 깊이 센서가 각각 제공하는 시야 정보와 활용 목적의 차이를 요약한다. 즉, 군집 수준의 분포 파악, 세부 행동 관찰, 이상징후 탐지 등 목적에 따라 필요한 시점, 해상도, 센서 유형, 설치 전략이 달라질 수 있음을 보여준다.

Fig. 4.

Comparison of camera-system configurations for broiler-house monitoring: fixed top-view, side-view, PTZ, multi-camera, thermal, and depth sensing.

종합하면, 육계사 영상 모니터링을 위한 카메라 시스템은 분석 목적, 사육환경 구조, 설치 가능 공간, 기대하는 관리 지표에 따라 서로 다른 구성을 필요로 한다. 고정형 상부 카메라는 군집 수준의 연속 관찰에 강점을 가지며, PTZ 카메라와 다중 카메라는 시야 보완과 세부 관찰의 가능성을 제공하고, 열화상 및 깊이 센서는 가시광 영상의 한계를 보완할 수 있다. 따라서 실제 현장 적용을 위해서는 단일 장비의 우수성을 평가하는 접근보다, 목적에 따른 카메라 조합과 설치 전략을 통합적으로 설계하는 접근이 필요하다. 다음 장에서는 이러한 카메라 시스템을 통해 획득된 영상을 바탕으로 수행되는 객체 탐지, 추적, 분할, 행동 분석, 이상징후 탐지 등의 주요 컴퓨터 비전 기법을 중심으로 연구 동향을 정리하고자 한다

Computer Vision Techniques for Broiler-House Monitoring

객체 탐지 기법

육계사 영상 모니터링에서 객체 탐지(Object detection)는 가장 기본적이면서도 후속 분석의 성능을 좌우하는 핵심 단계이다. 객체 탐지는 영상 내 육계의 위치를 식별하고 개체 수를 추정하는 기능을 수행하며, 이후의 객체 추적, 분할, 행동 분석, 밀집도 평가, 이상징후 탐지의 기초 정보를 제공한다. 특히 상업적 육계사에서는 개체 간 중첩, 급이기 및 급수기와 같은 시설물 가림, 배경 복잡성, 조도 변화가 동시에 존재하기 때문에, 일반적인 자연영상 객체 탐지보다 더 높은 강건성이 요구된다(Okinda et al., 2020; Li et al., 2020).

초기의 연구에서는 배경 차분, 형태학적 연산, 윤곽 추출 등 전통적 영상처리 기법을 활용하여 육계의 위치나 군집 분포를 추정하려는 시도가 많았다. 이러한 방법은 계산량이 비교적 적고 구현이 용이하다는 장점이 있으나, 깔짚 바닥의 질감 변화, 그림자, 조명 변화, 개체 간 접촉이 심한 환경에서는 탐지 성능이 쉽게 저하된다. 이후 합성곱 신경망 기반 객체 탐지 모델이 도입되면서, 복잡한 환경에서도 보다 안정적인 탐지가 가능해졌다. Okinda et al.(2020)은 가금류 모니터링 연구 전반을 검토하면서 CNN 기반 탐지 기법이 군집 내 개체 검출과 계수 정확도를 향상시키는 데 중요한 역할을 하고 있다고 정리하였다.

최근에는 YOLO 계열 모델, Faster R-CNN, SSD와 같은 딥러닝 기반 객체 탐지 기법이 육계 영상 분석에 폭넓게 적용되고 있다. 일반적으로 원스테이지(one-stage) 계열 모델은 추론 속도 측면에서 유리하여 실시간 모니터링 시스템에 적합한 반면, 투스테이지(two-stage) 계열 모델은 상대적으로 높은 정밀도를 보일 수 있어 정밀 분석이나 오프라인 평가에 활용될 여지가 있다. Guo et al.(2023)은 깔짚 바닥 환경에서 YOLOv5-CBAM 모델을 적용하여 부분 가림과 소형 객체 조건에서 탐지 성능을 개선할 수 있음을 보였다. 최근에는 트랜스포머(transformer) 기반 검출 구조를 도입하여 실제 닭 사육 환경에서의 일반화 능력과 검출 속도를 동시에 개선하려는 시도도 보고되고 있다(Qi et al., 2025; Li et al., 2024). 이러한 결과는 복잡한 현장 조건에서 어텐션(attention) 기반 특징 추출과 문맥 정보 활용의 가능성을 보여준다(Zhao et al., 2024). 따라서 육계사와 같은 밀집 환경에서는 단순히 특정 모델 계열의 우위를 논하기보다, 분석 목적에 따라 속도, 정확도, 모델 크기, 현장 연산 자원 사이의 균형을 고려하는 접근이 필요하다.

또한 객체 탐지 성능은 모델 구조 자체뿐 아니라 학습 데이터의 구성 방식에 크게 의존한다. 육계는 일령에 따라 크기와 외형이 달라지고, 조명과 시점 조건에 따라 영상 표현이 달라지므로, 제한된 시기와 단일 농장 조건에서 수집된 데이터만으로는 충분한 일반화를 확보하기 어렵다. 최근 공개 데이터셋과 다중 농장 데이터 구축의 중요성이 강조되는 것도 이러한 이유 때문이다. 결국 육계사 환경에서 객체 탐지 기법을 평가할 때는 단순 정확도뿐 아니라, 일령별 강건성, 가림 환경 대응성, 데이터셋 다양성, 실시간 처리 가능성을 함께 고려할 필요가 있다.

객체 추적과 개체 이동성 분석

객체 추적(Object tracking)은 탐지된 개체를 시간축 상에서 연결하여 이동 경로, 활동량, 정지 시간, 공간 점유 패턴을 분석하는 기법이다. 육계사 영상에서 추적은 단순한 위치 연속성 확보를 넘어, 건강 상태, 활동성 저하, 이상행동 발생 여부를 판단하기 위한 중요한 기반 정보로 사용될 수 있다. 특히 탐지 기반 추적 방식은 각 프레임에서 탐지된 객체를 시간적으로 연결하는 구조이기 때문에, 최근의 딥러닝 기반 탐지기와 결합되어 널리 사용되고 있다.

그러나 육계사 환경에서 객체 추적은 탐지보다 더 어려운 과제로 평가된다. 개체의 외형이 매우 유사하고, 군집 밀도가 높으며, 교차와 가림이 빈번하기 때문에 동일 개체의 ID를 장시간 안정적으로 유지하기 어렵다. Li et al.(2025)은 군사육 환경에서 다수 육계의 개별 추적을 수행하면서, 유사한 외형과 시설물 가림, 환경 변화가 ID 전환(Identity switch)의 주요 원인임을 지적하였다. 또한 Jaihuni et al.(2023)은 YOLOv5와 Neo-Deep SORT를 활용하여 육계의 이동성을 평가하였으며, 이를 통해 추적 기반 분석이 단순한 위치 추정이 아니라 이동성 및 복지 수준과 연계될 수 있음을 보여주었다.

Campbell et al.(2024)은 상업적 육계사에서 객체 탐지와 궤적 기반 군집화를 결합하여 군집 활동 수준을 분류하였다. 이는 개체별 완전 추적이 어렵더라도, 궤적 정보 자체가 군집 수준의 행동 해석에 활용될 수 있음을 시사한다. 최근에는 다중 객체 추적(Multi-Object Tracking, MOT) 관점에서 단일 카메라 기반 한계를 보완하기 위해 외형 특징(appearance feature)의 강건성을 높이거나, 시점 간 정보를 결합하는 다중 카메라 추적(multi-camera tracking) 방법이 제안되고 있다. 특히 다중 카메라 기반 추적은 단일 시점에서 발생하는 장기 가림 문제를 줄일 수 있어, 실제 상업적 육계사 적용 가능성을 높이는 방향으로 평가된다.

그럼에도 불구하고 실제 육계사 응용에서는 모든 개체를 장시간 완전하게 추적하는 접근보다, 일정 시간 구간 내 이동량, 평균 속도, 특정 구역 체류 시간, 군집 중심 이동과 같은 파생 지표를 활용하는 방향이 더 실용적일 수 있다. 이는 현장 관리자에게 필요한 정보가 개별 닭의 정보, 그 자체보다 활동성 저하, 비정상적 정지, 공간 편중, 군집 분산도의 변화와 같은 관리 지표인 경우가 많기 때문이다. 따라서 향후 추적 연구는 재식별 문제를 줄이기 위한 특징학습(feature learning), 다중 시점 추적, 경량화 모델 기반 실시간 추적, 그리고 군집 수준 관리 지표와 직접 연결되는 후처리 구조를 함께 발전시킬 필요가 있다.

분할, 행동 분석 및 이상징후 탐지

분할은 밀집된 군집 환경에서 서로 접촉하거나 부분적으로 겹친 개체를 분리하고, 객체의 형태와 점유 영역을 보다 정밀하게 파악하기 위한 기법이다. 인스턴스 분할은 개별 개체를 분리하는 데 유용하며, 의미론적 분할은 군집 밀도, 공간 점유, 휴식 구역, 설비 주변 이용 양상을 분석하는 데 적합하다. Guo et al.(2021)은 급이기와 급수기 등에 의해 가려진 육계 영역을 복원하는 방법을 제시함으로써, 형태 정보의 복원이 후속 행동 분석 및 분포 추정 정확도에 중요한 영향을 줄 수 있음을 보여주었다. 이러한 연구는 육계사 환경에서 분할이 단순한 시각적 정교화 단계가 아니라, 복잡한 군집 환경에서 정보 손실을 줄이기 위한 핵심 과정임을 의미한다.

행동 분석(Behavior analysis)은 육계의 섭식, 음수, 휴식, 이동, 군집화, 날개 퍼덕임, 장시간 정지, 활동성 저하와 같은 행동을 영상으로부터 정량화하는 과정이다. 행동은 건강 상태와 복지 수준을 반영하는 주요 지표이기 때문에, 영상 기반 행동 분석은 정밀축산에서 핵심 응용 분야로 간주된다(Li et al., 2020). Guo et al.(2022)은 서로 다른 일령의 육계를 대상으로 딥러닝 기반 행동 인식 모델을 적용하여, 일령에 따라 행동 표현 양상과 분류 성능이 달라질 수 있음을 보고하였다. 이는 행동 분석이 단순한 자세 분류 문제가 아니라 생육 단계와 시간 연속성을 함께 고려해야 하는 시공간 분석 문제임을 보여준다. 최근에는 CNN-LSTM, 3D CNN, Transformer 기반 비디오 인코더와 같은 시공간 모델이 행동 인식에 적용되면서, 단일 프레임 기반 분류보다 시간적 맥락을 더 효과적으로 반영하려는 방향이 강화되고 있다.

이상징후 탐지(Anomaly detection)는 특정 행동을 직접 분류하는 방식뿐 아니라, 정상 군집 패턴에서 벗어난 분포, 활동성, 반응성 변화를 감지하는 방식으로도 수행될 수 있다. Dawkins et al.(2009)은 광류(Optical flow) 패턴을 이용하여 군집 움직임과 보행 상태 간의 관련성을 제시하였고, Dawkins et al.(2021)은 광류 지표가 상업적 육계사에서 복지 관련 지표와 연관될 수 있음을 보고하였다. 이러한 연구는 이상징후 탐지가 반드시 개별 개체 수준의 이상행동 검출에 국한되지 않으며, 군집 수준의 움직임 변화와 복지 저하 신호를 조기에 포착하는 방향으로 확장될 수 있음을 보여준다. 최근에는 비정상 패턴을 정상 데이터로부터 학습하여 편차를 검출하는 약지도 또는 비지도 기반 접근도 관심을 받고 있으며, 이는 이상행동 데이터의 희소성 문제를 완화할 수 있는 대안이 될 수 있다.

기법 통합과 현장 적용 관점의 시사점

육계사 영상 모니터링을 위한 주요 컴퓨터 비전 기법은 객체 탐지, 객체 추적, 분할, 행동 분석, 이상징후 탐지로 구분할 수 있지만, 실제 현장 응용에서는 이들 기법이 독립적으로 사용되기보다 연속적인 파이프라인으로 결합된다. 예를 들어 탐지 성능이 낮으면 추적 결과가 불안정해지고, 추적 오류는 행동 분석과 이상징후 탐지의 신뢰도를 함께 저하시킨다. 반대로 카메라 설치 환경과 데이터 품질이 안정적이면 후속 분석 단계의 성능도 함께 개선될 수 있다. 따라서 개별 알고리즘의 최고 성능만을 비교하는 접근보다는, 입력 데이터 특성부터 최종 관리 지표 산출까지를 포함한 시스템 수준의 평가가 필요하다.

또한 각 기법의 선택 기준은 연구 목적에 따라 달라져야 한다. 개체 수 추정과 군집 분포 분석이 목적이라면 경량 객체 탐지와 공간 점유 분석이 중심이 될 수 있고, 건강 이상 조기 감지가 목적이라면 추적과 시계열 행동 분석, 이상징후 탐지가 더 중요해질 수 있다. 실시간 경보가 필요한 경우에는 모델 경량화와 엣지 추론이 우선되어야 하며, 정밀한 오프라인 복지 평가가 목적이라면 다중 시점 영상과 보다 복잡한 분할 및 추적 기법을 적용할 수 있다. 즉, 육계사 영상 분석에서 “가장 우수한 단일 알고리즘”이 존재한다기보다, 목적과 환경에 따라 최적의 조합이 달라지는 문제로 이해하는 것이 타당하다.

종합하면, 최근의 컴퓨터 비전 연구는 육계사 영상으로부터 점점 더 정교한 정보를 추출할 수 있는 수준에 도달하고 있으나, 상업적 육계사에 안정적으로 적용하기 위해서는 데이터셋 다양성 확보, 모델 일반화, 재식별 강건성, 실시간성, 해석 가능한 출력 지표 설계가 여전히 핵심 과제로 남아 있다. 따라서 향후에는 카메라 시스템, 데이터 수집 전략, 객체 탐지·추적·행동 분석 알고리즘, 사용자 인터페이스를 통합한 end-to-end 모니터링 프레임워크로 연구가 확장될 필요가 있다.

Conclusion

본 논문은 상업적 육계사 환경에서 활용되는 영상 기반 모니터링 기술을 대상으로, 육계사 영상 데이터의 특성, 주요 분석 과제, 카메라 시스템 구성, 그리고 핵심 컴퓨터 비전 기법의 연구 동향을 종합적으로 고찰하였다. 기존 연구를 통해 영상 기반 기술은 고밀도 사육환경에서 개체 수 추정, 군집 분포 분석, 활동성 평가, 행동 분석, 복지 모니터링, 이상징후 탐지에 유의한 가능성을 보여주었으며, 최근 딥러닝 기반 객체 탐지와 추적, 시공간 행동 분석 기술의 발전은 육계사 관리의 자동화 수준을 크게 높이고 있다.

그러나 실제 상업적 육계사 환경에서는 개체 중첩, 시설물 가림, 조명 변화, 배경 복잡성, 일령에 따른 도메인 변화, 재식별 오류, 데이터셋 일반화 한계, 실시간 처리 제약과 같은 문제가 여전히 해결 과제로 남아 있다. 특히 많은 연구가 제한된 실험 환경이나 단일 농장 조건에서 수행되었기 때문에, 다양한 농장 조건에서 안정적으로 작동하는 범용 시스템으로 확장하기 위해서는 보다 폭넓은 데이터 확보와 강건한 모델 설계가 필요하다. 또한 현장 적용형 시스템은 단순히 높은 정확도의 알고리즘을 제시하는 수준을 넘어, 장기 운용성, 유지보수 용이성, 데이터 처리 효율성, 관리자에게 해석 가능한 출력 제공까지 포함하는 시스템 수준의 설계를 요구한다.

향후 연구에서는 첫째, 다중 농장·다중 시점·다중 일령을 반영한 데이터셋 구축과 공유가 강화될 필요가 있다. 둘째, 객체 탐지·추적·행동 분석을 연계한 통합 파이프라인과, 이상징후를 조기에 경보할 수 있는 시계열 기반 분석 구조가 발전되어야 한다. 셋째, 엣지 컴퓨팅과 클라우드 처리를 결합한 실시간 운영 구조, 열화상·깊이 영상·환경 센서를 포함한 다중 센서 융합, 그리고 현장 관리자가 직접 활용할 수 있는 대시보드형 의사결정 지원 시스템이 함께 개발될 필요가 있다. 궁극적으로 육계사 영상 모니터링 기술은 정밀축산의 핵심 도구로서, 생산성 향상뿐 아니라 동물복지 증진, 질병 조기 탐지, 노동력 절감, 그리고 데이터 기반 사양관리 체계 구축에 기여할 수 있을 것으로 기대된다.