AI 기반 반려앵무 행동 패턴 분석 방법에 관한 연구

Abstract

As companion animals are increasingly recognized as members of the family, demand for pet healthcare and related technologies that enable detailed monitoring of animal health and emotional well-being has rapidly grown. Companion parrots, in particular, are becoming increasingly popular due to their high intelligence and sociality; however, their heightened sensitivity to stress makes it difficult to objectively assess their emotional states. This study aims to establish a system capable of quantitatively evaluating stress states and psychological stability in companion parrots by applying video-based artificial intelligence behavioral-pattern analysis techniques. Parrots possess dense feather structures that obscure body contours, demonstrate nonlinear and rapidly changing movements such as head rotations, wing flapping, and pre-flight postures, and frequently interact with cage components including perches, feeders, water bowls, and toys. Due to these environmental and anatomical characteristics, traditional visual inspection or joint-based pose estimation alone is insufficient for reliable behavior classification. To address these challenges, this study proposes a new behavioral-pattern analysis framework that integrates a multi-stage object-detection structure, skeleton-based pose analysis, and cage-environment recognition. The framework first detects the entire body of the parrot and then re-detects the head, tail, and feet within the region of interest to minimize background interference and information loss. A Y-shaped skeleton model was designed to quantify behavioral features such as body-tilt variation, foot-coordinate movement patterns, and center-point displacement ratios. In addition, the spatial locations of feeders, water bowls, and perches were segmented from the cage environment to ensure that visually similar movements could be interpreted accurately based on their contextual meaning. Building on this foundation, six behaviors were selected and classified: Eating, Drinking, Resting, Stretching, Bathing, and Pacing (stress-induced repetitive movement). These behaviors were chosen because they are both reliably distinguishable by AI in real-world footage and represent the minimum essential behavioral set necessary to assess emotional state, environmental adaptation, and health. Resting, Stretching, and Bathing represent psychological stability, while Pacing serves as a primary stress indicator reflecting anxiety, hyperarousal, or maladaptation. Eating and Drinking, although physiological behaviors, serve as reference actions for defining behavioral boundaries using spatial segmentation; abnormal increases or decreases in eating and drinking patterns may also signal early signs of health issues or life-cycle changes. Furthermore, the body-tilt–based detection mechanism used for distinguishing eating from drinking is reused across all behaviors to precisely determine behavioral onset and offset, improving classification accuracy. Experiments were conducted indoors with four conures, and long-duration videos were recorded simultaneously using two high-resolution cameras capturing full-body views and perch-area interactions. Behavioral episodes annotated through visual inspection were compared with AI-derived results to validate the model’s performance. High detection accuracy was observed for both the full body and specific body parts, and stable classification performance was achieved across all six behaviors. Traditionally, behavioral analysis in avian and poultry research has focused on measuring how frequently and how long a specific behavior occurs, using these values as isolated indicators for managing health or improving husbandry conditions. In contrast, the behavioral-pattern analysis proposed in this study aims to structurally understand emotional state and stress level by interpreting not only the frequency and duration of individual behaviors but also the sequence of behavioral events, repetition patterns, transition structures, and the relative ratio between stable and stress-related behaviors. The analysis revealed a clear negative correlation between Pacing and stable behaviors such as Resting, Bathing, and Stretching. Parrots exhibiting a high ratio of stable behavior showed low levels of stress-related movement, while individuals with increased stress behavior exhibited a corresponding reduction in stable behavior. These findings confirm that the proposed analytical framework reliably reflects the emotional states of companion parrots. In conclusion, this study presents an integrated behavioral-pattern analysis system combining multi-stage object detection, skeleton modeling, and environmental-context recognition to automatically evaluate behavioral changes and stress indicators in companion parrots. The results demonstrate strong potential for application in real-time cage monitoring, abnormal-behavior detection, and early stress-warning systems, ultimately contributing to improved welfare and the establishment of data-driven husbandry practices through long-term behavioral data analysis.

【Key words】Companion parrots, Behavioral pattern analysis, Object detection, Multi-stage framework, Pet-tech|최근 반려동물을 가족 구성원으로 인식하는 경향이 확산되면서, 반려동물의 건강과 정서를 세밀하게 관리하려는 펫 헬스케어 및 관련 기술의 수요가 빠르게 증가하고 있다. 특히 반려조류는 높은 지능과 사회성을 바탕으로 반려종으로서의 선호도가 증가하고 있지만, 스트레스 민감도가 높아 정서 상태를 객관적으로 파악하기 어렵다는 한계가 존재한다. 이에 따라 본 연구는 영상 기반 인공지능을 활용한 행동 패턴 분석 기법을 통해 반려앵무의 스트레스 상태와 심리적 안정 상태를 정량적으로 평가할 수 있는 체계를 구축하고자 하였다. 반려앵무는 풍성한 깃털 구조로 인해 신체 윤곽이 불분명하고, 고개 회전이나 날갯짓, 비행 준비와 같은 비선형적이고 빠른 움직임을 보이며, 케이지 내부의 횃대·먹이통·물통·장난감과 상호작용한다. 이러한 환경적·신체적 특성 때문에 기존 육안 관찰 방식이나 관절 기반 자세 추정 방식만으로는 행동을 안정적으로 분류하기 어렵다. 이를 해결하기 위해 본 연구는 객체 탐지 기반 다단계 구조, 스켈레톤 기반 자세 분석, 케이지 내부 환경정보 인식을 통합한 새로운 행동 패턴 분석 프레임워크를 제안하였다. 먼저 반려앵무의 전신을 탐지한 후 관심 영역 내부에서 머리, 꼬리, 발을 재탐지하는 단계적 Object Detection 구조를 구축하여 복잡한 배경 간섭과 정보 손실을 최소화하였다. 이어서 신체 중심의 기울기 변화, 발 좌표 이동 패턴, 중심점 이동 비율을 활용하여 행동의 특성을 정량화할 수 있도록 Y자형 스켈레톤 구조를 설계하였다. 또한 케이지 내부의 먹이통·물통·횃대 위치를 세그멘테이션으로 분리하여, 동일한 움직임이라도 공간 맥락에 따라 행동의 의미를 정확하게 해석할 수 있도록 하였다. 이러한 기반 위에서 본 연구는 먹이 섭취, 물 마시기, 휴식, 기지개, 목욕, 스트레스성 반복 이동까지 총 여섯 가지 행동을 선정하여 분류하였다. 여섯 가지 행동을 선택한 이유는 인공지능이 실제 영상에서 안정적으로 구분할 수 있는 행동이면서, 동시에 반려앵무의 정서·환경 적응도·건강 상태를 평가하는 데 필요한 최소한의 핵심 행동군이기 때문이다. 휴식·기지개·목욕은 심리적 안정 상태를 대표하며, 스트레스성 반복 이동은 불안·과흥분·환경 부적응을 나타내는 주요 스트레스 지표로 기능한다. 반면 먹이 섭취와 물 마시기는 생리적 행동이지만, 공간 기반 세그멘테이션을 이용해 행동의 경계와 조건을 정확하게 판단할 수 있는 기준 행동으로 활용되며, 섭식·음수 패턴의 급감 또는 과다 여부는 건강 이상이나 생애주기적 변화의 초기 징후를 파악하는 데도 유용하다. 나아가 먹이 섭취와 물 마시기를 구분하기 위해 사용된 신체 기울기 기반 탐지는 여섯 가지 행동 전반에서 행동의 시작과 종료를 정밀하게 구분하는 핵심 구조로 재사용되어 행동 분류의 정확도를 높였다. 실험은 실내 사육 환경에서 코뉴어 네 마리를 대상으로 수행되었으며, 두 대의 고해상도 카메라를 활용해 전신과 횃대 주변 행동을 장시간 동시 촬영하였다. 행동별 시작·종료 시점을 기준으로 육안 관찰 자료를 구축하고 인공지능 분석 결과와 비교하여 모델의 타당성을 검증한 결과, 반려앵무의 전신 및 세부 신체 부위 탐지는 매우 높은 정확도를 보였으며, 여섯 가지 행동 모두에서 안정적인 분류 성능을 기록하였다. 전통적으로 조류 및 가금류 분야에서 이루어진 행동 분석은 특정 행동이 얼마나 자주, 얼마나 오래 나타나는지를 개별 지표로 측정하여 해당 시점의 상태를 평가하고, 이를 건강 관리나 사육 환경 개선에 참고하는 데 초점을 두어 왔다. 본 연구에서 의미하는 행동 패턴 분석은 단일 행동의 빈도나 지속시간을 넘어서, 여러 행동 유형의 발생 순서와 반복 양상, 행동 간 전이 구조, 그리고 안정 행동과 스트레스성 행동의 비율을 통합적으로 해석함으로써 개체의 정서 상태와 스트레스 수준을 구조적으로 파악하려는 접근이다. 행동 패턴 분석 결과, 스트레스성 반복 이동 행동은 휴식·목욕·기지개와 뚜렷한 음의 상관관계를 나타냈다. 안정 행동 비율이 높은 개체는 스트레스성 이동이 낮았고, 스트레스 행동이 증가한 개체는 안정 행동이 감소하는 경향을 보여 제안된 분석 체계가 반려앵무의 정서 상태를 신뢰도 있게 반영함을 확인하였다. 결론적으로 본 연구는 객체 탐지 기반 다단계 구조와 스켈레톤 분석, 환경정보 인식을 통합한 행동 패턴 분석 체계를 통해 반려앵무의 행동 변화와 스트레스 지표를 자동으로 평가할 수 있는 기반을 마련하였다. 본 연구 결과는 실시간 케이지 모니터링, 행동 이상 탐지, 스트레스 조기경보 시스템 등으로 확장될 수 있으며, 반려조류의 복지를 향상시키고 장기 행동 데이터를 활용한 과학적 사육 관리 체계를 구축하는 데 기여할 수 있다.

【주요어】 반려앵무, 행동 패턴 분석, 객체 탐지, 다단계 구조, 펫테크