기술 요약: 그룹 사육되는 젖소 송아지의 놀이 행동에 대한 수동 관찰에서 자동 모니터링으로의 전환

문제 정의

현대 낙농 생산에서 동물 복지는 놀이와 같은 종 특이적 행동 및 긍정적인 정서 상태를 촉진하는 능력에 의해 점점 더 정의되고 있다. 놀이는 긍정적 복지의 강력한 지표 역할을 하지만, 상업적 조건 하에서의 공간 허용량과 놀이 사이의 관계, 특히 중간에서 높은 밀도(송아지당 620 m²)에서의 관계는 여전히 명확히 규명되지 않았다. 현재 유럽 연합(EU) 법규는 최소 1.51.8 m²를 의무화하고 있는 반면, 최근 EFSA(유럽식품안전청) 권고안은 완전한 운동성 놀이 표현을 위해 20 m²를 제안하고 있으나, 이 간극을 메울 수 있는 실증적 데이터는 부족한 실정이다. 또한, 수동 비디오 분석에 내재된 노동 집약성, 관찰자 편향, 확장성 부족으로 인해 상업 농장에서의 체계적인 놀이 모니터링은 어려움을 겪고 있다. 기존의 센서 기반 접근 방식(예: 가속도계)은 놀이를 다른 활동과 구별할 수 있는 특이성이 부족하며 공간적 맥락을 제공하지 못한다.

방법론

연구 설계 및 데이터 수집

본 연구는 네덜란드의 14개 상업 농장에서 60마리의 그룹 사육 젖소 송아지를 대상으로 조사되었다. 공간 허용량은 송아지당 2.66에서 17.98 m² 범위였다. 데이터 수집은 각 농장별로 1주일 동안 수행되었으며(2024년 6월2025년 5월), Bascom 카메라를 천장 또는 측면에 설치하여 연속 비디오 녹화(06:0023:00)를 진행하였다.

• 그라운드 트루스(Ground Truth) 생성: 훈련된 7명의 관찰자가 Observer XT 소프트웨어를 사용하여 비디오 영상을 수동으로 주석 처리하였다. 상세한 에토그램(ethogram)을 통해 놀이를 운동성, 사회적, 사물 관련, 짚 관련 놀이로 분류하였다. 관찰은 관찰자 효과를 최소화하기 위해 각 방문의 둘째 날에 집중하여 0.1초 해상도로 기록되었다.
• 공변량: 데이터에는 송아지 인구통계학적 특성(연령, 체중, 품종), 건강 상태(증상 심각도 기준 분류), 우유 섭취량, 그룹 크기, 깔짚 품질이 포함되었다. 심각한 질병이 있는 송아지는 제외되었다.

컴퓨터 비전 파이프라인 개발

확장 가능한 모니터링을 가능하게 하기 위해 세 가지 최첨단 파운데이션 모델을 통합한 파이프라인을 개발하였다:

1. 객체 탐지(Object Detection): YOLOv12(COCO로 사전 학습됨)가 송아지 바운딩 박스를 탐지하였다.
2. 세그멘테이션 및 추적(Segmentation and Tracking): SAM2가 세그멘테이션 마스크를 생성하고 비디오 메모리를 사용하여 프레임 전반에 걸쳐 개체를 추적하였다.
3. 특징 추출(Feature Extraction): 1억 4,200만 개의 이미지로 자기 지도 학습을 통해 사전 학습된 비전 트랜스포머인 DinoV2가 잘린 송아지 이미지로부터 1024차원의 시각적 임베딩을 추출하였다.
4. 메타데이터 통합: 수동 주석은 화면 오버레이에서 타임스탬프를 추출하기 위한 광학 문자 인식(OCR)을 사용하여 시간적으로 정렬되었다.
5. 분류(Classification): DinoV2 임베딩을 사용하여 행동 클래스(활동적 놀이, 비활동적 놀이, 놀이 중 아님)를 예측하도록 MLP(다층 퍼셉트론) 분류기를 학습시켰다. 데이터셋은 클래스 불균형을 해결하기 위해 계층화되었으며, 그 결과 약 22,800개의 균형 잡힌 훈련 세트가 생성되었다.

통계 분석

선형 혼합 모델을 사용하여 공간 허용량과 놀이 지속 시간(관찰 기간의 백분율, %OP로 표현) 사이의 관계를 분석하였으며, 농장을 변량 효과(random effect)로 포함하였다. 다변량 모델은 연령, 건강, 우유 섭취량, 그룹 크기 및 깔짚 품질을 통제하였다.

주요 결과

공간 허용량과 놀이 행동

• 전체 놀이: 송아지들은 관찰 기간의 평균 1.0%(약 17시간의 하루 중 10분)를 놀이에 사용하였다. 사회적 놀이가 전체 놀이 시간의 과반수(55%)를 차지했으며, 운동성(26%), 사물 관련 놀이(15%), 짚 관련 놀이(2%)가 그 뒤를 이었다.
• 비선형 관계: 공간 허용량과 총 놀이 지속 시간 사이에 유의미한 비선형 관계가 발견되었다 ($P < 0.01$).
  • 최적 성능: 가장 높은 놀이 수준은 송아지당 8–10 m² (1.59% OP, 하루 약 16분)에서 나타났다.
  • 최저 지점: 놀이는 6–8 m² 및 12–14 m²에서 가장 낮았다 (<0.6% OP).
  • 플래토(Plateau) 현상: 16–18 m²에서 놀이 수준(1.29% OP)은 8–10 m² 수준을 유의미하게 초과하지 않았으며, 이는 선형적 증가보다는 정체 구간이 존재함을 시사한다.
• 하위 유형 특이성: 공간 허용량은 사회적 놀이 지속 시간을 유의미하게 예측하였으며 ($P < 0.05$), 8–10 m²와 16–18 m²에서 정점을 보였다. 사물 관련 놀이에 대해서는 유의미한 효과가 발견되지 않았으며, 운동성 놀이에 미치는 효과는 전체 놀이에 비해 덜 뚜렷했다.

자동 모니터링 성능

• 분류 정확도: MLP 분류기는 홀드아웃 테스트 세트에서 97.6%의 전체 정확도를 달却하였다.
• 활동적 놀이 재현율(Recall): 모델은 활동적 놀이 탐지에서 99.4%의 재현율을 보여, 복지 모니터링에 매우 중요한 낮은 오탐률(false negative rate)을 입증하였다.
• 정밀도(Precision): 활동적 놀이에 대한 정밀도는 0.96이었다.
• 파이프라인 효율성: 90,000 프레임(5시간 분량의 비디오)을 처리하는 데 Databricks 클러스터에서 약 35시간의 컴퓨팅 시간이 소요되었다(비디오 대비 처리 비율 7:1). 시스템은 훈련을 위해 6개 농구의 108시간 분량 영상을 성공적으로 처리하였다.

식별된 기술적 과제

연구는 상업적 환경에서의 특정 배포 과제를 강조하였다:

• 카메라 각도: 오버헤드(천장형) 카메라는 추적 안정성(프레임 성공률 100%)은 우수했으나, 눈높이 훈련 데이터와의 도메인 변화로 인해 초기 탐지율(25%)이 낮았다. 측면 장착 카메라는 탐지율은 높았으나 폐쇄(occlusion)로 인해 추적 안정성이 낮았다.
• 흰색 객체 환각(White Object Hallucination): SAM2는 흰색 송아지가 흰색 짚 깔짚 위에 있을 때 세그멘테이션 마스크가 배경으로 새어 나가 추적 실패를 유발하는 "흰색 객체 환각" 현상을 보였다.
• 시간적 정렬: OCR을 통한 타임스탬프 추출 성공률은 폰트 대비 및 렌더링 품질에 따라 3%에서 99.8%까지 크게 달랐으며, 이는 그라운드 트루스와 비디오 프레임 간의 정렬에 영향을 미쳤다.

주요 기여 및 의의

1. 공간 표준에 대한 실증적 근거:
본 연구는 상업적 조건 하에서 광범위한 기울기(2.7–18 m²)에 걸쳐 공간-놀이 관계를 최초로 종합적으로 규명하였다. 이는 공간이 많을수록 놀이가 선형적으로 증가한다는 가설에 도전하며, 송아지당 8–10 m²를 놀이 행동을 극대화하는 실질적인 목표치로 식별하였다. 이 결과는 현재 EU 최소 기준(1.5–1.8 m²)이 불충분하며, EFSA 권고안인 20 m²는 공간이 놀이의 주요 제한 요소가 되는 임계치를 초과할 수 있음을 시사한다.

2. 확장 가능한 자동 모니터링:
본 연구는 파운데이션 모델(YOLOv12, SAM2, DinoV2)을 활용한 컴퓨터 비전 파이프라인이 소규모 수동 주석 작업(108시간)을 어떻게 지속적이고 객관적인 복지 평가 시스템으로 확장할 수 있는지 입증하였다. 이 시스템은 최소한의 작업 특화 훈련만으로도 높은 충실도(97.6% 정확도)를 달성하여 수동 관찰의 확장성 한계를 극복하였다.

3. 실무적 구현 가이드라인:
본 논문은 카메라 설치 각도(안정성을 위한 오버헤드 vs 탐지율을 위한 측면 장착)의 트레이드오프와 시간적 정렬을 위한 고대비 타임스탬프 오버레이의 필요성을 강조함으로써 자동 모니터링 배포를 위한 근거 기반 권고안을 제공한다.

4. 인과관계에 대한 신중한 주장:
저자들은 통계 모델이 측정된 공변량을 통제했음에도 불구하고, 측정되지 않은 농장 수준의 요인(예: 관리 방식, 풍부화 요소)이 결과에 영향을 미칠 수 있음을 언급하며 본 연구의 관찰적 성격을 명시적으로 인정하였다. 본 연구는 인과관려를 증명한다고 주장하는 것이 아니라, 높은 생태적 타당성을 가진 데이터를 제공하여 복지 표준과 향리 무작위 대조 시험을 위한 정보를 제공하고자 한다.

요약하자면, 이 연구는 동물 행동 과학과 기술 혁신을 결합하여, 규모에 상관없이 긍정적 복지 지표를 모니터링할 수 있는 검증된 방법을 제시하고, 송아지의 웰빙을 높이기 위한 사육 공간 최적화에 대한 데이터 기반 가이드를 제공한다.