With the increasing attention toward smart farming and animal welfare, the study of automated animal behavior prediction becomes essential for the improvement of the previous studies on livestock welfare and farm management. This study aims to use Recurrent Neural Network models to predict pigs' activity level which is represented as the Activity Index extracted from video clips recorded on a smart farm in South Korea. The Recurrent Neural Network models are compared with models including one-dimension Convolutional Neural Network model, Autoregressive model, Support Vector Machine, and Random Forest. Evaluation Metrics including Mean Absolute Error, Mean Absolute Percentage Error, and Root Mean Square Error are used to compare the models performances. Environmental data such as temperature (°C) and relative humidity (\%) are collected. Physical data of the pigs including age (days) and weight (kilograms) are collected. Both environmental and physical features are combined with the Activity Index for the improvement of prediction accuracy. This study has found that Recurrent Neural Network models perform better than the other predictive models. The input of the Activity Index with the environmental feature yields better prediction with lower errors overall. This study benefits further research in the field of animal activity monitoring and prediction. Also, this study implements an unsupervised method of exploring livestock activity levels, which is time-efficient and better in generalization.
스마트팜과 동물복지에 대한 관심이 높아짐에 따라 가축복지와 농장경영에 대한 기존 연구들의 개선을 위해 동물행동 자동예측 연구가 중요해지고 있다. 본 연구는 국내 스마트팜에 녹화된 동영상에서 추출한 활동지수로 대표되는 돼지의 활동도를 예측하기 위해 순환신경망 모델을 활용한다. 순환 신경망 모델은 1D 컨볼루션 신경망 모델, 자기 회귀 모델, 서포트 벡터 머신, 그리고 랜덤 포래스트와 비교된다. 평균 절대 오차, 평균 절대 백분율 오차 및 루트 평균 제곱 오차를 포함한 평가 지표는 모델 성능을 비교하는 데 사용된다. 환경 변수 데이터로 온도(°C) 및 상대 습도(%)가 활용 되며, 나이와 몸무게(kg)를 포함한 돼지의 신체 변수 데이터가 활용된다. 환경 및 신체적 특징 모두 예측 정확도 향상을 위해 활동 지수와 결합된다. 이 연구는 순환 신경망 모델이 다른 예측 모델보다 성능이 우수하다는 것을 발견했다. 환경적 특성과 함께 활동 지수를 입력하면 전반적으로 오류가 적은 예측을 할 수 있다. 이 연구는 동물 활동 모니터링 및 예측 연구에 도움이 된다. 또한, 본 연구는 시간 효율적이며 일반화에 용이한 비지도 가축 활동 수준을 탐색하는 방법을 구현한다.
