공간 배정이 젖소 송아지 놀이 행동에 미치는 영향과 자동 모니터링 구현

초록

네덜란드 14개 상업 농장에서 60마리의 그룹 사육 송아지를 대상으로 공간 배정(2.66‑17.98 m²/송아지)과 놀이 행동(% 관찰 기간) 사이의 관계를 조사하였다. 선형 혼합 모델 결과, 8‑10 m² 구간에서 놀이 비율이 최고(1.6 % OP)이며, 6‑8 m²와 12‑14 m² 구간에서는 0.6 % 이하로 감소했다. 연령·건강·그룹 규모를 통제해도 공간 효과는 유의하였다. 또한 YOLOv12‑SAM2‑DINOv2 기반 컴퓨터 비전 파이프라인을 구축해 97.6 % 정확도(활동 놀이 99.4 % 재현율)를 달성, 소규모 수동 주석을 대규모 자동 모니터링으로 확장할 수 있음을 입증하였다.

상세 분석

본 연구는 두 가지 핵심 목표를 동시에 달성한다. 첫째, 상업적 환경에서 중·고용량(6‑20 m²) 공간 배정이 송아지의 놀이 행동에 미치는 영향을 정량화하였다. 14개 농장의 60마리(실제 분석 대상 64마리) 송아지를 17시간 연속 영상으로 촬영하고, 정교한 ethogram을 기반으로 0.1 초 단위 행동 라벨을 부여하였다. 놀이 시간은 전체 관찰 시간 대비 백분율(%OP)로 정규화했으며, 평균 1.0 %OP(≈10 분/17 시간)로 보고되었다. 공간 배정을 2 m² 구간으로 나누어 선형 혼합 모델(LMM)로 분석한 결과, 비선형 곡선이 나타났으며 8‑10 m² 구간에서 놀이 비율이 최대치(1.6 %OP)를 기록했다. 6‑8 m²와 12‑14 m² 구간에서는 각각 0.5 % 이하로 급격히 감소하였다. 모델에 연령, 건강 상태, 일일 우유 섭취량, 그룹 규모, 침구 청결도 등 잠재적 교란 변수를 추가해도 공간 배정의 효과는 p < 0.05 수준에서 유지되었다. 이는 물리적 여유 공간이 사회적 촉진과 스트레스 감소를 통해 놀이를 촉진한다는 기존 이론을 실증적으로 뒷받침한다.

둘째, 최신 foundation model을 활용한 자동 행동 인식 파이프라인을 구축했다. YOLOv12으로 송아지 검출, SAM2로 세분화·트래킹, DINOv2로 1024 차원 임베딩을 추출한 뒤, MLP 분류기를 학습시켰다. 데이터 전처리 단계에서 108 시간(≈1.5 백만 프레임)의 고품질 영상만을 선택했으며, 클래스 불균형을 완화하기 위해 활성 놀이, 비활성 놀이, 비놀이 세 클래스를 각각 7,609개씩 균등하게 샘플링했다. 최종 모델은 테스트 셋에서 97.6 % 정확도, 99.4 % 재현율(활동 놀이) 및 96.8 % 정밀도(비놀이)를 달성했다. 혼동 행렬 분석 결과, 주된 오류는 비활동 놀이와 비놀이 사이에서 발생했으며, 이는 행동 정의의 경계가 애매한 점과 영상에서의 부분 가림 현상 때문으로 해석된다.

기술적 관점에서 주목할 점은(1) 다중 모델 연계가 검출·세분화·특징 추출을 효율적으로 결합해 라벨링 비용을 크게 절감했다는 점, (2) Apache Spark 기반의 메타데이터 파이프라인이 수백 시간 규모의 영상과 주석을 정확히 정렬·통합함으로써 재현 가능한 데이터셋 구축을 가능하게 했다는 점이다. 또한, GPU 가속 V100 환경에서 1 epoch당 약 0.8 초의 학습 속도를 보였으며, 조기 종료 전략을 통해 과적합을 방지했다.

실용적 함의는 다음과 같다. 첫째, 8‑10 m²/송아지라는 공간 기준은 놀이 행동을 최적화하면서도 기존 EU 최소 기준(1.5‑1.8 m²)보다 크게 확대된 수치이지만, 20 m² 권고치에 비해 경제적 부담이 적다. 둘째, 자동화된 비전 시스템은 실시간 혹은 일일 단위로 놀이 비율을 모니터링할 수 있어, 농가가 조기에 스트레스·질병 신호를 포착하고 관리 조치를 취할 수 있다. 셋째, 이 파이프라인은 다른 행동(예: 급여, 사료 섭취)이나 종(돼지, 양)에도 확장 가능하므로, 전반적인 복지 평가 플랫폼 구축의 기반이 된다.