深度画像と深層学習を用いた牛の跛行検出

牛の痛む足が私たち全員にとって重要な理由

痛みを抱えて歩く牛は農場の限られた問題に思えるかもしれませんが、乳牛群における跛行は静かに牛乳のコストを押し上げ、動物の寿命を縮め、深刻な福祉上の懸念を引き起こします。従来、跛行の発見は鋭い人間の目と厩舎での多くの時間に頼ってきましたが、多忙な多くの農場では毎日それを行うことができません。本論文は、搾乳場を出る牛を常時自動で監視し、深度画像と人工知能を用いて早期の異常兆候を24時間体制で検出するカメラベースのシステムを記述します。

混雑する厩舎から絶え間ない穏やかな見守りへ

跛行は世界的におよそ5頭に1頭の乳牛に影響を及ぼし、いくつかの群でははるかに高い割合に達します。乳量を減らし、生殖能力を損ない、農家が早期に淘汰を余儀なくされることがあり、1頭あたり年間数百ドルの損失を生むこともあります。それでも、学術的な知見は多くの農場で実際に行われている対策を上回っています。農家は痛んでいる牛の数を過小評価しがちで、専門家による評価は時間がかかり主観的です。以前の世代の技術は歩行通路に荷重板を設置したり、個体にモーションセンサーを付けたりして支援しようとしましたが、これらは高価で侵襲的、かつ拡張が難しい場合があります。著者らは代わりに“精密畜産”の考え方を取り入れ、非接触の天井取り付け型深度カメラで、牛が自然に通る通路で各個体の三次元形状を捉えます。

天井設置のカメラが牛の背中をどう読み取るか

日本の2つの商業的酪農場で、単一の飛行時間（time‑of‑flight）深度カメラが搾乳後に牛が通る狭い通路の上部に設置されました。各個体が下を通過すると、カメラは上方からの深度画像を記録します。これは本質的に牛の背の輪郭を示す高さマップです。システムはまず、高度な“インスタンスセグメンテーション”モデルを用いて背景から各牛を分離します。いくつかの選択肢を試した結果、研究者らは近年のYOLOベースのモデルが非常に高い精度と高速処理を両立し、フレームの99%以上で牛を正しく検出・輪郭抽出し、毎秒数十枚を扱えることを発見しました—忙しい厩舎でのリアルタイム使用に十分な速度です。

各牛を追跡し姿勢を痛みの信号に変える

牛の検出は始まりに過ぎません。複数の個体が通路を流れる中で、誰が誰かを把握し続ける必要があります。そのために著者らは、システムが時間経過で各牛の同一性を維持する能力を順次改善する一連のカスタム多対象追跡アルゴリズムを設計しました。最終版は、検出ボックス間の重なりだけでなく、追跡されている時間の長さや個体が左から右へ、または右から左へ移動しているかといった情報も利用します。方向情報という単純だが巧妙な利用により同一性の混同はほぼ解消され、未見の日や両農場で約99.9%の追跡精度に達しました。

「硬くて痛い」がどう見えるかをコンピュータに教える

跛行検出の核心は牛の背中の形状と動きにあります。蹄や脚の痛みはしばしば背骨の弓状化や不均衡を招き、動物は圧力を和らげようとします。チームは幾何学的な測定値を手作業で選ぶ代わりに、各牛の深度画像を背中の正規化された高さマップに変換し、これらのマップの短い連続シーケンスを深層学習モデルに入力しました。最新の画像ネットワーク（EfficientNet）が各フレームの空間パターンを学習し、LSTM（Long Short‑Term Memory）ネットワークが姿勢の時間的変化を捉えます。健常から重度の跛行までの四段階評価という専門家ラベルを用い、最良構成であるEfficientNet‑B7とLSTMを5フレームのシーケンスに適用した結果、未見の牛に対しても約96%の精度とF1スコアを達成しました。これはクラス不均衡や歩行速度の変動といった現実世界の課題がある状況でも有効でした。

牛、農家、そしてあなたの牛乳にとっての意味

総合すると、深度カメラ、検出、追跡、歩容評価モデルはハルターやタグ、特殊な床材を必要とせずに、下を通るすべての牛を24時間体制で監視できるエンドツーエンドのシステムを形成します。著者らは、このような客観的で継続的なツールが、跛行に関する研究知見と農場で日常的に行われている対策との長年のギャップを埋める助けになると主張します。人間の目だけよりも早く一貫してリスクのある牛を検出することで、痛みを軽減し、治療や淘汰のコストを削減し、より人道的で持続可能な乳生産を支える可能性があります。より多くの農場での広範な検証は依然必要ですが、本研究は単一の天井取り付け型深度カメラと慎重に設計された深層学習を組み合わせることで、手作業の難しい作業を動物福祉のための自動化された安全網に変え得ることを示しています。

引用: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

キーワード: 牛の跛行, 深度イメージング, 精密畜産, コンピュータビジョン, 動物福祉の監視