テクニカル・サマリー：群飼育された乳牛の子牛における遊び行動の、手動観察から自動モニタリングへの移行

問題提起

現代の酪農生産におけるアニマルウェルフェアは、遊びのような種特有の行動や、ポジティブな感情状態を促進する能力によって定義されることが増えている。遊びはポジティブなウェルフェアの強力な指標となるが、商業的な条件下、特に中程度から高密度の環境（子牛1頭あたり6〜20 m²）におけるスペース許容量との関係については、依然として十分に解明されていない。現在の欧州連合（EU）の法規制では1.5〜1.8 m²の最小面積が義務付けられているが、近年のEFSA（欧州食品安全機関）の推奨事項では、完全な移動を伴う遊びの発現には20 m²が必要とされている。しかし、この間のギャップを埋める実証データは乏しい。さらに、商業農場における遊びの系統的なモニタリングは、ビデオ解析における労働集約性、観察者バイアス、およびスケーラビリティの欠如によって阻害されている。既存のセンサーベースのアプローチ（例：加速度計）は、遊びと他の活動を区別する特異性に欠け、空間的な文脈を提供できない。

メソドロジー

研究デザインとデータ収集

本研究では、オランダの14の商業農場における60頭の群飼育された乳牛の子牛を対象とした。スペース許容量は、子牛1頭あたり2.66から17.98 m²の範囲であった。データ収集は、各農場につき1週間の期間（2024年6月〜2025年5月）にわたり、天井または側面に取り付けられたBascomカメラを介して連続ビデオ録画（06:00–23:00）を行って実施された。

• グラウンドトゥルース（正解データ）の作成: 訓練を受けた7名の観察者が、Observer XTソフトウェアを使用してビデオ映像を手動でアノテーションした。詳細なエソログラム（行動目録）を用いて、遊びを「移動（locomotor）」「社会的（social）」「物体（object）」「ストロー関連（straw-related）」の遊びに分類した。観察は0.1秒の解像度で行い、観察者効果を最小限に抑えるため、各訪問の2日目に焦点を当てた。
• 共変量: データには、子牛のデモグラフィックス（年齢、体重、品種）、健康状態（症状の重症度による分類）、飲用乳量、群のサイズ、および敷料の質が含まれた。重度の疾病がある子牛は除外された。

コンピュータビジョン・パイプラインの開発

スケーラブルなモニタリングを可能にするため、3つの最先端の基盤モデルを統合したパイプラインを開発した：

1. 物体検出: YOLOv12（COCOで事前学習済み）により、子牛のバウンディングボックスを検出した。
2. セグメンテーションとトラッキング: SAM2を用いてセグメンテーションマスクを生成し、ビデオメモリを使用してフレーム間で個体を追跡した。
3. 特徴抽出: DinoV2（1億4200万枚の画像で自己教師あり学習により事前学習されたビジョントランスフォーマー）を用いて、切り出された子牛の画像から1024次元の視覚的埋め込みを抽出した。
4. メタデータの統合: OCR（光学文字認識）を用いて、画面上のオーバーレイからタイムスタンプを抽出し、手動アノテーションをビデオフレームと時間的に整合させた。
5. 分類: DinoV2の埋め込みを用いて、行動クラス（活動的な遊び、非活動的な遊び、遊びなし）を予測するための多層パーセプトロン（MLP）分類器を訓練した。クラス不均衡に対処するためにデータセットを層化し、約22,800個のサンプルからなるバランスの取れた訓練セットを作成した。

統計解析

線形混合モデルを用いて、スペース許容量と遊びの持続時間（観察期間の割合、%OPとして表現）の関係を分析した。農場をランダム効果として含めた。多変量モデルでは、年齢、健康状態、飲用乳量、群のサイズ、および敷料の質を制御した。

主な結果

スペース許容量と遊び行動

• 全体の遊び: 子牛は観察期間の平均1.0%（約17日間のうち約10分間）を遊びに費やした。遊びの種類としては、社会的遊びが大部分（総遊び時間の55%）を占め、次いで移動（26%）、物体（15%）、ストロー関連の遊び（2%）であった。
• 非線形関係: スペース許容量と総遊び時間の間に、有意な非線形関係が見出された（$P < 0.01$）。
  • ピークパフォーマンス: 最も高い遊びレベルは、子牛1頭あたり8–10 m²（1.59% OP、約16分/日）で観察された。
  • 低値: 遊びは6–8 m²および12–14 m²で最も低かった（<0.6% OP）。
  • プラトー（停滞）: 16–18 m²では、遊びのレベル（1.29% OP）は8–10 m²のレベルを有意に上回っておらず、線形的な増加ではなくプラトー効果を示唆している。
• サブタイプの特異性: スペース許容量は、社会的遊びの持続時間を有意に予測した（$P < 0.05$）。これは8–10 m²および16–18 m²でピークに達した。物体遊びについては有意な影響は見られず、移動遊びへの影響は総遊びへの影響よりも限定的であった。

自動モニタリングの性能

• 分類精度: MLP分類器は、ホールドアウトテストセットにおいて97.6%の全体精度を達成した。
• 活動的な遊びの再現率: モデルは、活動的な遊びの検出において**99.4%の再現率（Recall）**を示した。これは、ウェルフェア監視において極めて重要となる偽陰性率が非常に低いことを示している。
• 適合率（Precision）: 活動的な遊びに対する適合率は0.96であった。
• パイプラインの効率: 90,000フレーム（5時間のビデオ）の処理には、Databricksクラスター上で約35時間の計算時間を要した（ビデオに対する処理比率は7:1）。システムは、訓練用に6つの農場の108時間の映像を正常に処理した。

特定された技術的課題

研究では、商業環境における具体的な展開上の課題が浮き彫りになった：

• カメラの角度: 天井設置のカメラは優れたトラッキング安定性（フレーム成功率100%）を提供したが、目線の高さの訓練データからのドメインシフトにより、初期の検出率が低かった（25%）。側面設置のカメラは、遮蔽による影響はあるものの、より高い検出率を示した。
• 白い物体の幻覚（White Object Hallucination）: SAM2において、「白い子牛が白いストローの敷料の上にある」場合に、セグメンテーションマスクが背景へと漏れ出し、トラッキングの失敗を引き起こす現象が確認された。
• 時間的整合性: タイムスタンプ抽出におけるOCRの成功率は、フォントのコントラストやレンダリング品質によって大きく変動し（3%から99.8%）、グラウンドトゥルースとビデオフレームの整合性に影響を与えた。

主な貢献と意義

1. スペース基準に関する実証的エビデンス:
本研究は、商業的な条件下での広範な勾配（2.7–18 m²）にわたる、スペースと遊びの関係を初めて包括的に特徴づけた。スペースが増えれば線形に遊びが増えるという仮定に対し、子牛1頭あたり8–10 m²が遊びを最大化する実用的なターゲットであることを特定することで、異議を唱えている。この知見は、現在のEUの最小基準（1.5–1.8 m²）が不十分である一方で、EFSAの推奨する20 m²は、スペースが遊びの主要な制限要因となる閾値を超えている可能性を示唆している。

2. スケーラブルな自動モニタリング:
本研究は、基盤モデル（YOLOv12, SAM2, DinoV2）を活用したコンピュータビジョン・パイプラインが、小規模な手動アノテーションプロジェクト（108時間）を、継続的かつ客観的なウェルフェア評価システムへとスケールアップできることを実証した。このシステムは、最小限のタスク特化型トレーニングで高い忠実度（97.6%の精度）を実現し、手動観察のスケーラビリティの限界を克服している。

3. 実践的な実装ガイドライン:
本論文は、カメラの設置角度（安定性のためのオーバーヘッド vs 検出のための側面設置）のトレードオフや、時間的整合性のための高コントラストなタイムスタンプ・オーバーレイの必要性を強調することで、自動モニタリングの展開に関するエビデンスに基づいた推奨事項を提示している。

4. 因果関係に関する控えめな主張:
著者らは、本研究が観察的研究であることを明示している。統計モデルによって測定された共変量は制御されているものの、未測定の農場レベルの要因（例：管理スタイル、エンリッチメント）が結果に影響を与える可能性があることを指摘している。本研究は因果関係を証明することを目的としているのではなく、ウェルフェア基準や将来のランダム化比較試験に情報を提供するための、高い生態学的妥当性を持つデータを提供することを目指している。

要約すると、本研究は動物行動学と技術革新の架け橋となるものであり、大規模にポジティブなウェルフェア指標をモニタリングするための検証済み手法を提供するとともに、子牛のウェルフェアを向上させるためのハウジングスペース最適化に向けたデータ駆動型のガイダンスを提供している。