YOLO-DenseTrack 밀도 맵 융합 기반 밀집 환경 육계 추적 시스템 = YOLO-densetrack: a density map fusion-based broiler tracking system for high-density environments

다국어 초록 (Multilingual Abstract)

Behavior analysis of broilers using computer vision technology is emerging as a core technology for managing health, welfare, and productivity in smart farms. However, in actual broiler house environments, existing object detection models face limitations in securing stable tracking data due to extreme occlusion caused by high rearing density and facilities, as well as appearance ambiguity among individuals.
To address these issues, this study proposes YOLO-DenseTrack, a novel fusion framework combining the YOLO (You Only Look Once) object detection model and a density map estimation model. The proposed system mutually complements YOLO's precise localization capability with the density map's ability to estimate the global count and identify dense regions.
Specifically, this study designed a bidirectional correction process using YOLO detection results and density map information. Areas identified as hotspots with high object probability in the density map but missed by YOLO are classified as "candidate areas," and re-detection with a lower threshold is performed to correct false negatives. Simultaneously, false positives from YOLO are removed based on the density values of the density map, thereby enhancing detection reliability.
Experimental results demonstrated that the proposed fusion model achieved significant improvements in Recall and Precision compared to the baseline YOLO model, proving superior detection performance especially in high-difficulty scenarios where objects are heavily overlapped or occluded. Furthermore, applying the enhanced detection results to a multi-object tracking algorithm (ByteTrack) improved tracking performance metrics such as MOTA and IDF1 Score. This study is expected to contribute to improving the accuracy of individual broiler behavior analysis and welfare monitoring systems by securing robustness in detection and tracking within high-density environments.

목차 (Table of Contents)

• 목차 ⅰ
• 그림 목차 ⅲ
• 표 목차 ⅴ
• Abstract ⅵ
• 제 1 장 서 론 01
• 제 2 장 관련 연구 04
• 2.1 딥러닝 기반 객체 탐지 기술과 스마트 양계 적용의 한계 04
• 2.1.1 탐지 모델의 진화와 농업 분야 적용 05
• 2.1.2 밀집 환경에서의 탐지 실패 원인: NMS의 딜레마 06
• 2.2 밀도맵 추정을 이용한 육계 계수(Counting)에 관한 연구 08
• 2.2.1 밀도맵 생성 방법 08
• 2.2.2 밀도맵 학습 전략 및 손실 함수 09
• 2.2.3 밀도맵 모델 성능 비교 및 선정 기준 11
• 2.2.4 UNet 기반 모델 (UNet-based Models) 11
• 2.2.5 CSRNet (Congested Scene Recognition Network) 12
• 2.2.6 SANet (Scale Aggregation Network) 13
• 2.2.7 경량화 모델 (Lightweight Density Models) 14
• 2.3 객체 탐지와 밀도맵 융합 기술에 관한 연구 15
• 2.4 컴퓨터 비전 기반 육계 행동 분석에 관한 연구 16
• 2.4.1 육계 행동의 시각적 특징 및 분류 16
• 제 3 장 YOLO-DenseTrack 밀도 맵 융합 기반 밀집 환경 육계 추적 시스템 19
• 3.1 제안 시스템 개요 19
• 3.2 데이터 수집 20
• 3.3 알고리즘 구성 과 설계 24
• 3.3.1 초기 접근: 영상 분할 기반 탐지 개선 및 한계 25
• 3.3.2 제안하는 융합 프레임워크: YOLO-밀도맵 양방향 보정 25
• 3.3.3 밀도맵 백본 네트워크 선정 및 분석 26
• 3.3.4 알고리즘 구성 요소 29
• 3.3.5 융합 및 보정 프로세스 30
• 제 4 장 연구 결과 32
• 4.1 정성적 평가: 탐지 결과 시각화 및 분석 32
• 4.2 분할 탐지 전략에 따른 성능 분석 34
• 4.3 융합 모델(YOLO-DenseTrack) 성능 평가 35
• 제 5 장 결론 및 향후 연구 40
• 제 6 장 참고 문헌 43