Current Issue

본 연구는 객체 기반 다단계 탐지를 통해 앵무새 행동 분석의 실시간 처리와 정량적 판단의 가능성을 실증적으로 제시한다. 본 연구는 먼저 케이지 내 물통(Water), 밥통(Feeder), 횃대(Perch)를 세그멘테이션 기법을 통해 영역별 구획하고, 위치값의 상관관계를 고려하여 앵무새의 행동을 판별하였다. 객체 탐지는 YOLO 모델을 선택 활용하여 앵무새를 먼저 탐지한 뒤, ROI 내에서 세부 부위인 머리, 꼬리, 다리를 순차적으로 탐지하는 방식으로 진행하였다. 탐지 부위의 중심 좌표 기반으로 Y자 형태의 스켈레톤을 구성하고, 이 스켈레톤 각도 변화량을 계산하여 앵무새의 물 마시기, 먹이 섭취, 휴식 3가지 주요 행동을 위치정보와 연계하여 분석하였다. 특히 횃대 위에서 날개를 펼친 자세가 감지하여 기지개 행동으로 분류할 수 있도록 설계하였다.

그림 1은 YOLO 기반 객체 탐지 모델을 이용해 앵무새를 식별하고, 탐지된 ROI 내부에서 머리, 꼬리, 다리, 날개를 추가적으로 검출하는 2단계 탐지 구조를 제시한다. 그림 1(a)는 입력 영상에서 앵무새객체 탐지 및 바운딩 박스(Bounding box) 생성 과정을 나타내고, 그림 1(b)는 ROI 안에서 세부 부위를 식별한 결과를 보여준다. 이러한 Top-Down 방식은 단일 프레임에서 부위 좌표를 안정적으로 확보할 수 있도록 한다.

Fig. 1. 
Two-stage multi-level detection mechanism

그림 2는 그림 1의 탐지 결과를 바탕으로 Feeding과 Drinking을 분류하는 과정이다. 그림 2(a)에서는 사전에정의된 세그멘테이션 마스크를 이용해 케이지 내 물통, 밥통, 횃대 영역을 구분, 탐지된 발과 머리 좌표가 어느 영역에 속하는지 판별한다. 그림 2(b)에서는 머리(Head), 꼬리(Tail), 다리(Foot), 몸 중앙(Body Center)을 연결한 Y자 스켈레톤을 이용해 Angle(H–BC–F), Angle(T–BC–F)를 계산하고, 그림 2(c)에서는 각도 변화량을 기반으로 먹이 섭취 및 음수 행동의 발생 시점을 정량적으로 판별한다.

Fig. 2. 
Procedure for classifying feeding and drinking

그림 3은 날개 탐지를 포함한 Stretching 분류 절차를 나타낸다. 그림 3(a) 세그멘테이션으로 위치 정보를 확보하고, 그림 3(b) 날개 부위가 탐지되면 기지개 후보로 설정한다. 그림 3(c)에서는 날개가 횃대 위에서 일정 시간 유지되는지를 확인하여 Stretching으로 확정한다.

Fig. 3. 
Procedure for classifying parrot stretching

그림 4는 그림 1, 2, 3의 내용을 통합한 알고리즘 흐름도이다. 입력 프레임은 전처리 후 YOLO 탐지기로 앵무새를 식별하고, ROI에서 머리, 꼬리, 다리, 날개를 추출해 Body Center와 각도를 계산한다. 이어 세그멘테이션 마스크로 케이지 공간 정보를 반영하고, 머리와 다리 위치 및 각도 변화를 평가한다. θ 범위는 Resting(110°–60°), Eating(<60°), Stretching(<10°)으로 정의하며, 일정 시간(τ_resting) 동안 θ 분산이 낮으면 Resting으로 판단한다. 이 값들은 본 연구에서 사용한 새장 구조와 개체 조건을 기준으로 경험적으로 설정한 것으로, 다른 환경이나 개체에서는 조정이 되어야 할 것이다.

Fig. 4. 
Algorithmic flow for parrot posture estimation and behavior classification

날개가 횃대에서 T_threshold 이상 유지되면 Stretching으로 확정하고, 머리와 다리가 먹이통 또는 물통에 위치하고 각도가 임계값 이하로 줄면 Feeding 또는 Drinking으로 분류한다. 최종적으로 알고리즘은 Feeding, Drinking, Resting, Stretching의 네 행동을 자동 인식하고, 발생 횟수와 지속 시간을 산출한다.

이러한 임계값은 사람이 직접 영상을 관찰하여 행동을 구분한 결과와 모델의 탐지 데이터를 비교·대조하여 산출하였다. 각 행동에 대해 라벨링한 구간과 모델이 자동 탐지한 구간의 데이터를 비교하여 일치율이 가장 높게 나타난 범위를 최종 임계값으로 결정하였다. 이를 통해 휴식의 지속시간과 스트레칭의 유지시간은 재현성이 높은 기준으로 설정되었다.

데이터는 실내 사육 환경(25 ± 2 °C, 350–400 lux)에서 사육 중인 코뉴어 앵무새 4마리를 대상으로 수집하였다. 케이지에는 먹이통, 물통, 횃대를 고정하였으며, 그림 5와 같이 두 대의 1920×1080, 30 fps 카메라를 설치, 동시 촬영하였다. Cam1은 개체 전신을 포함한 섭식·음수 행동을, Cam2는 횃대 주변의 기지개 동작을 촬영하여 상호보완적 활용하였다. 두 카메라를 병행 사용한 목적은 주요 행동인 물 마시기, 먹이 섭취, 휴식, 기지개의 탐지 정확도를 높이는 동시에, 향후 프리닝(Preening)이나 부리 긁기(Beak trimming) 등 정서적 안녕 행동까지 확장 가능한 데이터 기반을 마련하기 위함이다.

Fig. 5. 
Camera placement in the bird cage

행동 유형별 데이터는 먹이 및 음수의 경우 train 137장, val 39장, test 21장으로 총 197장, 스트레칭 동작의 경우 train 65장, val 18장, test 10장으로 총 93장으로 구성되었다. 그림 5의 카메라 배치는 행동별 시야 확보를 고려해 설정하였다.

라벨링은 관찰자가 직접 수행하였으며, 촬영된 연속 영상을 1초 간격으로 추출하여 LabelImg 툴을 이용해 프레임 단위로 진행하였다. 라벨 클래스는 Parrot, Head, Tail, Foot, Wing의 5종으로 정의하였으며, 각 개체의 주요 신체 부위를 기준으로 정밀하게 표시하였다. 행동 데이터는 휴식, 섭식, 기지개, 세 범주로 구분하였고, 라벨링된 바운딩박스는 YOLO 형식을 사용하였다.

모델 학습은 그림 6과 같이 Ultralytics YOLO 프레임워크를 활용하여 GPU (NVIDIA RTX 3080) 환경에서 수행되었으며, 총 200 epoch 동안 학습을 반복하였다. 입력 이미지 해상도는 720×720 픽셀로 고정하였고, batch size는 32로 설정하였다. 모델의 안정성과 비교 가능성을 확보하기 위해 augmentation 기법은 적용하지 않고 기본 파라미터 설정을 유지하였다. 학습된 최종 모델은 발 및 날개 클래스까지 반영한 결과를 포함하며, 이후 수행된 행동 분석 및 자세 추정 실험에서 탐지 결과 산출에 활용하였다.

Fig. 6. 
YOLO-based parrot detection training pipeline

본 연구에서는 전처리된 영상 프레임을 입력받아, 실시간으로 앵무새 개체와 세부 부위인 머리, 꼬리, 다리, 날개를 탐지하고, 이를 기반으로 중심점을 기준으로 하는 Y자형 스켈레톤을 구성하였다.

각 프레임마다 머리, 꼬리, 다리의 중심점을 연결하여 중심점(BC, Body Center)을 산출하고, 이를 기준으로 Angle(H–BC–F) 및 Angle(T–BC–F) 두 가지 각도를 계산함으로써 앵무새의 자세 변화를 정량적으로 추적하였다. 해당 각도 값은 앵무새의 상체 굽힘 정도를 반영하며, 중심점 위치와 다리의 위치가 케이지 내 특정 세그멘테이션 영역과 일치하는지를 함께 고려하여 행동을 자동으로 분류하였다. 행동 분류에 적용된 조건은 표 1과 같다.

위치 정보는 사전에 정의된 RGB 색상 기반 세그멘테이션 마스크를 통해 획득되며, 각 세그먼트(밥통, 물통, 횃대)는 특정 색상 값으로 지정되어 있어, 실시간으로 발 좌표와 마스크 위치를 비교함으로써 공간적 맥락을 자동 추론할 수 있다. 특히 본 연구에서는 날개 부위의 탐지 결과를 독립적인 판별 요소로 활용하였다. 앵무새가 횃대 위에 있으면서 날개 객체가 탐지되는 경우, 각도 분석을 수행하지 않고 기지개 동작으로 직접 분류한다. 이는 각도 기반 분석 경로를 우회하는 일종의 shortcut rule이며, 앵무새 특유의 날개 펼침 행동을 효과적으로 인식하기 위한 규칙 기반 예외 처리 방식이다.

본 분석 모듈은 스켈레톤 기반의 각도 분석과 위치 정보, 그리고 날개 탐지 여부를 통합적으로 활용함으로, 영상 내 앵무새의 주요 행동을 실시간으로 분류하고 해석할 수 있도록 구성되었다.

앵무새의 세부 신체 부위 탐지시 머리는 일반적으로 bounding box의 상단에 위치하도록 지정되었으며, 꼬리는 후방 하단, 발은 양측 하단부로 기준을설정함으로써 라벨의 일관성을 확보하였다. 세그멘테이션 마스크는 케이지 내부의 행동 대상 지점인 물통, 먹이통, 횃대를 정확히 구획하기 위해 RGB 기반의 색상 분할 방식으로 제작하였다. 해당 마스크는 정지 프레임 이미지 상에서 각 위치에 고유한 RGB 값을 부여하여 구분하였으며, 이를 통해 모델은 다리의 좌표와 마스크 색상값을 비교함으로써, 앵무새가 현재 어느 지점에 위치하는지 실시간 판단할 수 있다. 그림 7은 케이지 내에서 앵무새의 위치를 정밀하게 파악하기 위해, 물통, 먹이통, 횃대 영역을 RGB 기반으로 분할하여 제작한 세그멘테이션 맵과 각 항목별 마스크를 나타낸다.

Fig. 7. 
Segmentation results for location data

본 연구에서는 탐지된 객체 정보와 위치 기반 조건, 스켈레톤 각도 분석 결과를 통합적으로 활용하여 앵무새의 주요 행동인 ‘휴식’, ‘먹이 섭취’, ‘물 마시기’, ‘기지개’ 행동을 자동 판별하도록 구축하였다. 시스템은 각 행동에 대해 독립적인 판별 규칙을 적용하고, 행동의 발생 시간 및 횟수를 측정하여 최종적으로 정량적 결과를 산출하도록 구성하였다.

앵무새의 머리, 몸중심, 꼬리, 발 위치를 이용해 Y 스켈레톤을 구성하고, θ =H–BC–F, θ₂=T–BC–F 두 개의 각도를 계산하였다. 각도 변화 범위와 지속 시간을 기준으로 행동을 구분했으며, 이 각도 변화는 개체의 행동 전환의 주요 지표로 작용하였다.

Resting은 θ 변화가 ±5° 이내이며, 몸 중심의 이동이 바운딩박스 면적 대비 x·y축 방향으로 각각 5% 이하인 상태가 5초 이상 지속될 때로 정의하였다. 먹이섭취는 앵무새가 먹이통 영역에 위치할 때 θ₁값이 20° 이상 감소한 경우로 정의하였고, 물 마시기는 동일한 기준에서 물통 영역에 위치할 때로 구분하였다.

앵무새의 기지개 판단기준은 다음과 같다. 스켈레톤 기반 각도 분석 대신, 날개 객체의 탐지 여부를 기준으로 직접 판별한다. 앵무새가 횃대에 위치한 상태에서, 아래 표에 제시된 날개 라벨 중 하나 이상의 조건이 탐지될 경우, 해당 프레임은 기지개 동작으로 판단된다. 이 조건은 일반적으로 앵무새의 날개 펼침 동작에 해당하며, 각도 분석을 생략한 채 즉시 기지개 이벤트로 등록된다. 시스템은 조건이 충족될 때마다 기지개 횟수를 +1하여 누적 기록한다. 표 2는 앵무새가 기지개를 키는 3가지 대표 이미지이다.

Category	Left wing	Right wing	Both wings
Detection condition	Wing-left object detection	Wing-right object detection	Wing-both object detection
Image

이를 통해 반복적인 섭취 동작을 정밀하게 식별함으로써 실제 행동 빈도와 패턴을 정확히 반영할 수 있다. 이러한 기준은 장기적인 모니터링에서 앵무새의 섭식 및 음수 습관을 체계적으로 기록하는 데 중요한 역할을 한다.

본 연구의 객체 탐지 기반 접근법의 적합성을 검증하기 위해 동일한 영상 데이터를 이용하여 Keypoint 방식과 비교하였다. Keypoint방식은 머리·꼬리·발 위치를 점 형태로 예측하였으나, 앵무새가 먹이통이나 물통에 머리를 넣는 장면에서는 부리 좌표가 가림으로 자주 소실되어 추적 연속성이 떨어졌다. 반면 제안한 모델은 머리가 가려진 상황에서도 학습된 형상 정보를 통해 머리 객체를 안정적으로 탐지하였으며, 스켈레톤 연결이 유지되었다. 부리점의 이동 좌표 판단은 앵무새의 행동 판단에 가장 중요하다.

그림 8은 두 방식의 동일 시점 비교 결과를 나타낸 것이다. 이처럼 제안 모델은 부리나 머리처럼 작고 불분명한 부위에서도 더 높은 신뢰도와 일관된 분포를 나타내어 Keypoint 방식보다 안정적이었다. 결과적으로 Keypoint 방식은 작고 흐릿한 점을 찾는 데 약하고 객체 탐지 방식은 형태가 명확한 전체 부위를 인식하는 데 강한 특성을 보였다.

Fig. 8. 
Comparison of keypoint- and object-detection-based results at the same frame

본 실험은 앵무새의 정량적 행동 평가를 위해, 사육 환경의 통제 및 행동 발생 조건의 일관성 확보를 우선적으로 고려하였다. 평가에 사용된 앵무새는 총 4개체로, 동일한 실험실 환경에서 1개월간 사육되었으며, 이 기간 동안 온도 습도, 광주기, 급이 및 급수 조건은 모두 일정하게 유지되었다. 먹이, 간식, 물을 동일하게 급이하였고, 각 개체는 매일 2회(총 2시간) 실내 방사 산책 시간을 제공받았다.

측정은 모두 동일한 조건하에 수행되었고, 측정된 행동은 자발적으로 발생한 움직임만을 대상으로 하였다. 특히 먹이섭취, 물 마시기, 휴식, 기지개 행동은 탐지 모델을 통해 자동 판별되었으며, 개체별로 하루 동안의 행동 발생 횟수 또는 누적 시간은 정량적으로 기록되었다. 이러한 수치는 행동 탐지 시스템 성능을 평가하는 기초 자료로 활용되었다.

평가를 위한 앵무새 개체는 아래 표 3에 제시된 총 4개 개체로 실험을 진행하였으며, 오전 산책시간 이후로부터, 오후 산책시간 이전까지인 오전 8시 30분부터 오후 7시까지를 앵무새들의새장 내 활동시간으로 간주하여 11시간 30분 동안의 행동을 촬영·판독하였다. 앵무새 주요 부위 탐지 기반 행동 자동 분류 시스템을 제안하고, 성능을 평가하기 위해 아래와 같이 세 가지 분석 기준을 설정하였다.

Individual/subspecies	Parrot1/pineapple conure	Parrot1/blue cinnamon conure
Image
Individual/subspecies	Parrot1/yellow-side conure	Parrot1/yellow-side conure
Image

행동 판단의 핵심인 부위 탐지 정확도(Class-wise detection accuracy)를 정량 분석하였다. 제안 시스템은 앵무새 탐지 후 박스 내부에서 머리, 꼬리, 다리, 날개를 재탐지하여 행동을 판단한다. 이 부위 탐지 성능은 행동 분류 정확도에 직결된다. 이를 위해 Confusion Matrix, Normalized Confusion Matrix, Precision, Recall, mAP@0.5, mAP@0.5–0.95 등을 이용해 클래스별 탐지 정확도와 오탐 경향을 평가하였다. 특히 날개는 기지개 판단의 shortcut 조건으로, 정밀도와 재현율의 균형이 중요하다.

행동 분류 조건별 탐지 성능을 평가하였다. 시스템은 각도 로직과 위치 세그멘테이션을 이용해 ‘휴식’, ‘먹이 섭취’, ‘물 마시기’, ‘기지개’ 네 행동을 자동 분류한다. 테스트 영상의 Ground Truth와 시스템 결과를 비교해 행동별 탐지 정확도(TP/GT 비율) 를 계산하였다.

임계값 기반 판단 성능을 분석하였다. Confidence threshold에 따른 판단 신뢰도와 정확도 변화를 평가하기 위해 F1-Confidence Curve 및 Precision-Recall Curve를 확인하였다. 이를 통해 클래스별 confidence score에 따른 예측 안정성을 파악하고, 최적 임계값을 도출하였다.

결론적으로 본 연구는 행동 결과 정확도를 넘어 Foot, Head, Tail, Wing 탐지 성능을 핵심 지표로 삼고, 이를 행동 분류 성능과 연계해 시스템의 실효성과 적용 가능성을 정량 입증하였다.

본 연구는 앵무새가 먹이·물을 섭취할 때 Parrot, Head, Tail, Foot을 안정적으로 탐지하는지를 평가하였다. Head–Tail–Foot 동시 탐지와 자세 분석 가능성에 중점을 두었으며, 200 epoch 학습 결과 Fig. 9에서 보이듯 성능 지표가 초반 급상승 후 안정적으로 수렴했다. 모든 클래스가 Precision–Recall 0.995 이상, mAP@0.5 0.995를 기록해 탐지 임계값 변화에도 높은 정밀도와 재현율을 확인하였다.

Fig. 9. 
Class-wise Precision-Recall curves

그림 9에서 모든 클래스가 높은 정확도를 보였고, 다리와 꼬리가 노출되고 bounding box가 명확할 때 탐지가 안정적임을 보여준다. YOLO 모델은 행동 인식 전처리로 충분한 정밀도와 일관성을 확보해 스켈레톤 분석, 각도 계산, 행동 분류에 활용 가능하다.

그림 10은 YOLO 기반 모델의 클래스별 예측 결과와 실제 라벨 간 대응 관계를 나타낸 Confusion Matrix로, 부위별 오탐경향 확인을 위해 제시하였다.

Fig. 10. 
Class-wise Confusion Matrix

그림 11에서 날개는 precision은 높지만 recall이 일부 구간 감소했으며, 이는 날개가 펼쳐진 상태에서만 탐지되는 특성을 반영한다. 반면 앵무새와 머리는 전 구간에서 높은 정밀도와 재현율을 유지해 날개와 함께 탐지 조건을 충족함을 확인하였다.

Fig. 11. 
Precision-Recall curve for wing class

그림 12에서와 같이 날개 탐지 Confusion Matrix에서도 같은 경향이 보였다. Wing 클래스는 0.93의 정탐률을 기록했고, Parrot와 Head도 각각 0.98, 1.00의 높은 정확도를 보였다. Foot과 Tail은 background 혼동 비율이 높았으며 탐지 결과가 거의 없었다. 이는 해당 조건에서 Foot과 Tail 탐지는 평가 지표가 될 수 없고, Parrot–Head–Wing 간 탐지 관계가 성능의 핵심 기준임을 보여준다.

Fig. 12. 
Confusion Matrix for wing detection

앞서 설명한 그림 2~4는 앵무새의 행동 패턴 탐지 과정을 단계별로 도식화한 것으로, 각 과정의 입력·출력 및 처리 절차를 나타낸 것인데, 이 그림들의 실험 결과를 표 4에 제시하였으며, 해당 표는 행동 판단 프로세스의 성능 평가를 요약한 것이다. 이를 통해 제안된 행동 분석 절차의 구조와 유효성을 설명하였다.

표 4는 각 개체별 먹이섭취 횟수, 물 마신 횟수, 휴식 누적시간, 기지개 횟수를 나타낸다. 이 수치는 일반적인 사육 환경에서 앵무새의 평균 행동량을 가늠할 수 있는 지표로 활용될 수 있다.

AI 기반 탐지와 육안 관찰(VI) 결과를 비교한 바, 먹이 섭취와 물 마시기 행동의 상대오차(Relative error)는 각각 ±2.2% 및 ±8.6% 이내로, 전반적으로 높은 일치도를 보였다. 반면 휴식 시간은 최대 약 4분의 차이를 보여 양호한 수준이었으며, 기지개는 발생 횟수가 적어 편차가 상대적으로 크게 나타나 5일간의 누적 데이터를 사용하였다. 전반적으로 섭식, 음수, 휴식, 기지개 행동 모두에서 AI 탐지 결과가 육안 관찰을 충분히 대체할 수 있음을 확인하였다.