축산물 이력제에서의 도체 이미지 기반 위변조 탐지 기법 연구|RISS 상세보기

다국어 초록 (Multilingual Abstract)

(Abstract)
This study investigates methods to detect potential substitution of lower-value meat during distribution under Korea’s Livestock Products Traceability System. Two
computer-vision verification pipelines are designed and implemented: (1) beef carcass grade prediction and (2) pork carcass individual identity verification, and their applicability is examined from a logistics security perspective.
For beef grade prediction, regions of interest (ROIs) are defined and extracted using segmentation coordinates provided in JSON annotations of the AI-Hub Livestock Quality (QC) dataset. After preprocessing (resizing, padding, and grayscale conversion), a convolutional neural network (CNN) classifier is trained. Data are split into training, validation, and final-validation sets. Performance is assessed using accuracy and F1-score as well as imbalance-aware metrics such as Cohen’s kappa and the Matthews correlation coefficient (MCC), and consistent performance is observed on both the validation and final-validation sets.
For pork individual verification, ROI crops are extracted from JSON labels and normalized into pattern images by rotating horizontally elongated crops 90 degrees
clockwise. Matching is performed using ORB keypoints and BFMatcher, followed by geometric verification via RANSAC. A pair is classified as the same individual only when thresholds on the number of good matches, the number of inliers, and the inlier ratio are jointly satisfied. Experiments are conducted under a clean condition (pig_clean) and a camera-noise condition (pig_cam_noise) that simulates illumination, gamma, and color shifts, partial shadows, blur, and JPEG compression. The clean condition yields very few false positives, whereas the camera-noise condition reduces recall due to increased false negatives, highlighting robustness to realistic acquisition noise as the primary deployment challenge.
Finally, an operational framework is proposed that combines grade-consistency checks (traceability grade vs. image-predicted grade) at slaughter and packaging stages with continuity (identity) checks across wholesale and retail stages, enabling stage-wise alerts for suspected substitution events.

번역하기

국문 초록 (Abstract)

(초록)
본 연구는 축산물 이력제 하에서 도축 이후 유통 과정 중 발생할 수 있는 저급육 바꿔치기 위험을 탐지하기 위해, (1) 소도체 등급 예측과 (2) 돼지도체 동일 개체 판별의 두 가지 컴퓨터 비전 기반 검증 파이프라인을 설계·구현하고 물류 보안 관점에서 그 적용 가능성을 검토하였다. 소도체 등급 예측은 AI-Hub 축산물 품질(QC) 데이터셋의 JSON 라벨(세그멘테이션 좌표)을 활용해 도체 중심의 학습 영역(ROI)을 정의·추출하고, 리사이징·패딩·흑백 변환 등전처리를 거친 입력으로 CNN 분류 모델을 학습하였다. 학습·검증·최종 검증(Final_Validation) 세트를 분리하여 정확도와 F1-score 를 비롯해 Cohen’s kappa,Matthews 상관계수 등 클래스 불균형을 고려한 지표로 성능을 평가하였으며, 검증 세트와 최종 검증 세트에서 일관된 수준의 성능을 확인하였다. 돼지도체 동일 개체 판별은 JSON 라벨 기반 ROI 를 추출한 뒤, 가로로 긴 원본 이미지에서 얻은 ROI 를 시계방향 90 도로 회전해 패턴 이미지로 정규화하였다. 이후 ORB 특징점과 BFMatcher 를 이용한 매칭 및 RANSAC 기반 기하 검증을 결합하고, 좋은 매칭 수·인라이어 수·인라이어 비율의 임계값을 동시에 만족할 때 동일 개체로 판정하도록 기준을 설계하였다. 실험은 노이즈 미적용 조건(pig_clean)과 촬영 환경 노이즈 조건(pig_cam_noise)으로 구성하였고, pig_clean 에서는 오탐(FP) 2 건, 재현율(Recall) 약 0.985로 관찰되어 바꿔치기 ‘허용’위험을 낮게 억제하는 보수적 동작 특성을 보였다. pig_cam_noise 에서는 밝기·감마·색감 변화, 부분 그림자, 블러, JPEG 압축 등을 모사한 노이즈를 적용하였으며, TP 8,714, FP 2, FN 872, TN 949,012, Accuracy 0.99909, Precision
0.99977, Recall 0.90903, F1-score 0.95225 로 나타나 노이즈 환경에서 재현율 저하(FN 증가)가 주요 과제로 확인되었다. 마지막으로 본 연구는 등급 예측 결과(이력 등급과 이미지 예측 등급의 비교)와 동일 개체 판별 결과를 이력정보에 결합하여, 도축·포장 단계의 ‘등급 검증’과 도매·소매 단계의 ‘연속성(동일성) 검증’을 통해 단계별 바꿔치기 의심 상황을 경고하는 적용 프레임워크를 제안한다.

번역하기

(초록) 본 연구는 축산물 이력제 하에서 도축 이후 유통 과정 중 발생할 수 있는 저급육 바꿔치기 위험을 탐지하기 위해, (1) 소도체 등급 예측과 (2) 돼지도체 동일 개체 판별의 두 가지 컴퓨...

목차 (Table of Contents)