In commercial pig farming, regrouping pigs during different production stages often leads to increased agonistic behaviors, one of the essential indicators of pig welfare, which has negative effects on their performance and overall well-being. It has been known that this behavior is closely related to dominance status and monitoring its dynamics is essential for improving pig welfare and managing the well-being of pigs. Traditionally, identifying the dominance status required manual observation, which is not feasible for continuous monitoring. The availability of low-cost video surveillance provides a partial solution but still requires extensive data analysis. Our study addresses this challenge by introducing a two-stage deep learning framework for automating: 1) the detection of agonistic interactions, 2) the identification of initiators or receivers, and 3) the classification of winners or losers of the agonistic interactions. Our CNN-RNN network, combining ResNet18 and GRU, achieves over 93% accuracy in each task. Particularly, our model outperforms existing pig agonistic detection models by using global average pooling for spatial feature downsampling, incorporating bounding box coordinates as additional features, and a temporal attention layer for more accurate predictions. We also demonstrate the proposed two-stage framework’s ability to automatically identify each pig’s dominance status based on the models’ predicted outcomes. Our findings show the framework’s accuracy in predicting the dominance status, particularly for dominant individuals, underscoring its effectiveness in capturing the social dominance of pigs. This research not only advances the process of behavioral monitoring and analysis in pigs but also contributes significantly to improving welfare assessments and practices in smart livestock farming (SLF).
양돈농가에서는 돼지의 성장 시기에 따라 축사를 여러 번 변경하고 구성원을 변경하면서 상업용 돼지를 사육한다, 사육장이 변경되는 과정에서 발생하는 주요한 문제점 중 하나가 바로 돼지 간에 적대적 행동이 증가한다는 것이다. 이러한 적대적 행위의 증가는 사육환경에 부정적인 영향을 미치게 되고, 장기적으로 돼지고기의 품질 문제로 이어질 수 있다. 돼지 간의 적대적인 행동 서열 상태와 밀접한 연관이 있다. 이를 해결하기 위해서는 돼지 사육환경에 대한 지속적인 모니터링이 필요하다. 특히, 싸움과 같은 공격적인 상황 을 우선 모니터링해서 문제를 조기에 발견해야 한다. 과거에는 이러한 공격적인 행동을 수동으로 관찰하고 계산했으며, 수동적인 관찰시스템으로 객관적이지 않고 지속적인 모니터링이 어려웠다. 또한, 저비용 비디오 감시 솔루션의 등장은 부분적인 해결책을 제공하지만, 여전히 광범위한 데이터 분석이 필요하다. 이에 본 연구에서는 자동화를 위한 2단계 딥 러닝 프레임워크를 도입했다. 본 프레임워크는 첫 번째 돼지 간의 공격적인 행동을 감지하고, 두 번재 공격행동을 시작한 돼지와 공격행동을 수신한 돼지를 식별한다. 마지막 으로 공격적인 행동의 승자와 패자를 구분한다. 그리고 ResNet18과 GRU을 결합한 CNN-RNN 네트워크 아키텍처를 개발해 93% 이상의 정확도를 달성했다. 특히, 본 연구에서는 공간적 특징에 대한 다운샘플링을 위한 글로벌 평균 풀링과 더 정확한 예측을 위한 시간적 주의 계층을 사용해 기존 모델의 성능을 능가했다. 또한, 예측된 결과를 바탕으로 각 돼지의 지배 상태를 자동으로 식별하는 모델의 성능을 제공하여 동물 행동 연구 분야에서 상당한 진전을 이뤘다. 본 연구 결과는 돼지 사육장에서 발생하는 복잡한 사회적 역학을 해석하는 프레임워크의 효과를 강조하며, 동시에 돼지의 행동 모니터링 및 분석 프로세스를 간소화하고, 스마트 축산업의 복지 평가 및 관행을 개선하는 데 기여했다.
