목록으로
업무 생산성 개선을 위한 AI 활용
뒤집어진 소를 찾아라
축산낙농업을 위한 혼자 발전하는 ai cctv감시체계(소뒤집힘 감지, 소 번식기간 감지, 작업자 쓰러짐 감지, 소 목록생성 및 움직임 통계분석, 자동라벨링)
🤖 활용 AI 도구
클로드
1. 어떤 상황에서 AI를 활용했나요?
부모님은 소를 키우십니다. 출하를 앞둔 소는 몸집이 매우 크기 때문에, 누운 채 스스로 일어나지 못하는 일이 생기기도 합니다. 이를 제때 발견하지 못하면 배에 가스가 차고 상태가 빠르게 나빠져, 몇 시간 안에 폐사할 수도 있습니다. 소 한 마리를 잃었을 때의 피해가 큰 만큼 부모님은 밤에도 중간중간 일어나 축사를 살펴보셨습니다.
걱정을 덜기 위해 CCTV를 설치했지만, 문제가 완전히 해결되지는 않았습니다. 축사에 직접 가지 않아도 된다는 차이만 있을 뿐, 사람이 수시로 화면을 확인해야 하는 것은 같았습니다.
‘사람이 계속 화면을 보지 않아도 위험한 순간을 알아챌 수 없을까?’
이 생각에서 출발해, 기존 CCTV 영상으로 소가 쓰러져 일어나지 못하는 상황을 감지하는 시스템을 직접 만들어 보기로 했습니다. 이후에는 CCTV 영상을 활용해 축사 일을 조금이라도 덜 수 있는 기능들을 하나씩 추가했습니다.
2. 어떤 AI를 어떻게 활용했나요?
개발 과정에서는 Claude를 주로 사용했습니다. 처음에는 CCTV와 녹화장치인 NVR에서 영상을 가져오는 일부터 쉽지 않았습니다. 관련 지식이 많지 않았기 때문에, 필요한 정보를 찾고 장비 연결 방법을 확인하며 코드를 작성하는 과정에 Claude의 도움을 받았습니다.
먼저 공개된 소 이미지 자료를 활용해 소의 자세를 구분하는 딥러닝 모델을 만들었습니다. 이후 NVR 접속, 실시간 CCTV 화면을 확인하는 웹 화면, 이를 실행할 서버, 이상 상황 발생 시 ntfy를 통해 휴대전화로 알림을 보내는 기능까지 연결했습니다.
초기 모델은 소가 정상적으로 누워 있는 모습과 위험한 자세를 자주 혼동했습니다. 그래서 딥러닝 모델의 결과만 믿지 않고, 이상 상황으로 잡힌 사진을 Claude의 이미지 분석 기능이 한 번 더 확인하도록 만들었습니다. 두 번의 판단을 거치면서 불필요한 알림을 크게 줄일 수 있었습니다.
틀린 판단을 다음 학습에 활용하는 장치도 넣었습니다. 알림이 잘못 울린 경우 해당 사진과 판단 결과를 저장하고, 일정량이 쌓이면 재학습 자료로 사용합니다. AI도 판단하기 어려운 사진은 별도로 모아 사람이 직접 확인하고 표시하도록 했습니다. 시스템을 사용할수록 실제 우리 축사의 환경에 맞는 자료가 쌓이도록 구성한 것입니다.
소의 위험 자세 감지 외에도 다음과 같은 기능을 시험하고 있습니다.
- 소가 다른 소의 등에 올라타는 행동을 찾아 발정 가능성 알림
- 무늬와 위치를 바탕으로 소를 구분하고 개체별 움직임 확인
- 특정 소가 갑자기 사료나 물을 먹지 않을 때 건강 확인 알림
- 축사에서 작업하던 사람이 쓰러졌을 때 알림
새로운 기능이 떠오르면 실제 CCTV 영상으로 시험해 보고, 부족한 부분을 고치며 계속 추가하고 있습니다.
3. 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 부모님이 새벽마다 일어나 CCTV를 확인하지 않아도 된다는 점입니다.
사람이 화면을 보고 있지 않는 시간에도 시스템이 소의 자세를 확인합니다. 비정상적인 자세가 일정 시간 이상 계속되면 휴대전화로 알림이 오기 때문에, 이제는 계속 CCTV를 들여다보는 대신 알림이 왔을 때만 확인하면 됩니다.
직접 축사를 순찰하던 방식에서 CCTV로 확인하는 방식으로 바뀌었고, 다시 CCTV를 계속 확인하던 방식에서 이상이 있을 때만 확인하는 방식으로 바뀌었습니다. 부모님의 수면 부담과 심리적인 걱정을 함께 줄일 수 있었습니다.
발정 행동 감지는 아직 충분한 자료가 모이지 않아 정확도를 높이는 중입니다. 실제 축사에서 발생한 장면을 계속 모으고 있으므로, 시간이 지날수록 현장에 맞는 성능을 갖출 수 있을 것으로 기대하고 있습니다.
4. 나만의 방식 또는 개선한 점은 무엇인가요?
제가 중요하게 생각한 것은 ‘한 번 만들고 끝나는 프로그램’이 되지 않게 하는 것이었습니다.
축사의 조명, 카메라 각도, 소의 무늬와 자세는 공개된 이미지 자료와 다릅니다. 처음부터 완벽한 모델을 만드는 것은 어렵기 때문에, 실제 사용 중에 틀린 사례를 계속 모으고 다시 학습에 활용하도록 했습니다.
판단 과정도 한 단계로 끝내지 않았습니다. 딥러닝 모델이 먼저 의심 장면을 찾고, 이미지 내용을 이해할 수 있는 AI가 그 사진을 다시 살펴봅니다. 확실하지 않은 장면만 사람이 확인하게 해 불필요한 작업을 줄였습니다.
정리하면 다음과 같은 순서로 작동합니다.
CCTV 감지 → 사진 재확인 → 휴대전화 알림 → 틀린 사례 저장 → 사람이 필요한 부분만 확인 → 모델 재학습
이 방식 덕분에 AI는 단순한 제작 도구에 그치지 않고, 실제 운영 과정에서 발생하는 실수를 정리하고 다음 학습을 준비하는 역할까지 맡게 됐습니다.
5. 다른 사람도 따라 할 수 있나요?
네. 이 작업의 핵심은 비싼 장비가 아니라, 이미 있는 장비를 어떻게 활용하느냐에 있습니다.
CCTV 영상에 접근할 수 있고 프로그램을 실행할 PC 한 대가 있다면 시작할 수 있습니다. 반드시 고성능 컴퓨터가 필요한 것도 아닙니다. 제가 사용한 환경에서도 카메라 여러 대의 영상을 처리할 수 있었습니다.
개발 경험이 많지 않더라도 대화형 AI에 현재 사용하는 CCTV와 NVR의 종류, 만들고 싶은 기능, 발생한 오류를 설명하면서 한 단계씩 진행할 수 있습니다. 처음에는 소의 위험 자세처럼 꼭 필요한 기능 하나만 만들고, 실제 사용 중에 자료를 모아 기능을 보완하는 방법이 현실적입니다.
특히 틀린 판단을 그냥 지우지 않고 다음 학습 자료로 남기는 구조를 갖추는 것이 중요합니다. 농장뿐 아니라 창고, 공장, 매장처럼 CCTV가 이미 설치된 곳이라면 같은 방식으로 각 현장에 필요한 감지 기능을 만들 수 있습니다.
저에게 AI는 거창한 기술을 보여주기 위한 도구가 아니었습니다. 부모님이 밤에 조금이라도 편히 주무실 수 있도록, 이미 설치된 CCTV를 제대로 일하게 만든 도구였습니다.
부모님은 소를 키우십니다. 출하를 앞둔 소는 몸집이 매우 크기 때문에, 누운 채 스스로 일어나지 못하는 일이 생기기도 합니다. 이를 제때 발견하지 못하면 배에 가스가 차고 상태가 빠르게 나빠져, 몇 시간 안에 폐사할 수도 있습니다. 소 한 마리를 잃었을 때의 피해가 큰 만큼 부모님은 밤에도 중간중간 일어나 축사를 살펴보셨습니다.
걱정을 덜기 위해 CCTV를 설치했지만, 문제가 완전히 해결되지는 않았습니다. 축사에 직접 가지 않아도 된다는 차이만 있을 뿐, 사람이 수시로 화면을 확인해야 하는 것은 같았습니다.
‘사람이 계속 화면을 보지 않아도 위험한 순간을 알아챌 수 없을까?’
이 생각에서 출발해, 기존 CCTV 영상으로 소가 쓰러져 일어나지 못하는 상황을 감지하는 시스템을 직접 만들어 보기로 했습니다. 이후에는 CCTV 영상을 활용해 축사 일을 조금이라도 덜 수 있는 기능들을 하나씩 추가했습니다.
2. 어떤 AI를 어떻게 활용했나요?
개발 과정에서는 Claude를 주로 사용했습니다. 처음에는 CCTV와 녹화장치인 NVR에서 영상을 가져오는 일부터 쉽지 않았습니다. 관련 지식이 많지 않았기 때문에, 필요한 정보를 찾고 장비 연결 방법을 확인하며 코드를 작성하는 과정에 Claude의 도움을 받았습니다.
먼저 공개된 소 이미지 자료를 활용해 소의 자세를 구분하는 딥러닝 모델을 만들었습니다. 이후 NVR 접속, 실시간 CCTV 화면을 확인하는 웹 화면, 이를 실행할 서버, 이상 상황 발생 시 ntfy를 통해 휴대전화로 알림을 보내는 기능까지 연결했습니다.
초기 모델은 소가 정상적으로 누워 있는 모습과 위험한 자세를 자주 혼동했습니다. 그래서 딥러닝 모델의 결과만 믿지 않고, 이상 상황으로 잡힌 사진을 Claude의 이미지 분석 기능이 한 번 더 확인하도록 만들었습니다. 두 번의 판단을 거치면서 불필요한 알림을 크게 줄일 수 있었습니다.
틀린 판단을 다음 학습에 활용하는 장치도 넣었습니다. 알림이 잘못 울린 경우 해당 사진과 판단 결과를 저장하고, 일정량이 쌓이면 재학습 자료로 사용합니다. AI도 판단하기 어려운 사진은 별도로 모아 사람이 직접 확인하고 표시하도록 했습니다. 시스템을 사용할수록 실제 우리 축사의 환경에 맞는 자료가 쌓이도록 구성한 것입니다.
소의 위험 자세 감지 외에도 다음과 같은 기능을 시험하고 있습니다.
- 소가 다른 소의 등에 올라타는 행동을 찾아 발정 가능성 알림
- 무늬와 위치를 바탕으로 소를 구분하고 개체별 움직임 확인
- 특정 소가 갑자기 사료나 물을 먹지 않을 때 건강 확인 알림
- 축사에서 작업하던 사람이 쓰러졌을 때 알림
새로운 기능이 떠오르면 실제 CCTV 영상으로 시험해 보고, 부족한 부분을 고치며 계속 추가하고 있습니다.
3. 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 부모님이 새벽마다 일어나 CCTV를 확인하지 않아도 된다는 점입니다.
사람이 화면을 보고 있지 않는 시간에도 시스템이 소의 자세를 확인합니다. 비정상적인 자세가 일정 시간 이상 계속되면 휴대전화로 알림이 오기 때문에, 이제는 계속 CCTV를 들여다보는 대신 알림이 왔을 때만 확인하면 됩니다.
직접 축사를 순찰하던 방식에서 CCTV로 확인하는 방식으로 바뀌었고, 다시 CCTV를 계속 확인하던 방식에서 이상이 있을 때만 확인하는 방식으로 바뀌었습니다. 부모님의 수면 부담과 심리적인 걱정을 함께 줄일 수 있었습니다.
발정 행동 감지는 아직 충분한 자료가 모이지 않아 정확도를 높이는 중입니다. 실제 축사에서 발생한 장면을 계속 모으고 있으므로, 시간이 지날수록 현장에 맞는 성능을 갖출 수 있을 것으로 기대하고 있습니다.
4. 나만의 방식 또는 개선한 점은 무엇인가요?
제가 중요하게 생각한 것은 ‘한 번 만들고 끝나는 프로그램’이 되지 않게 하는 것이었습니다.
축사의 조명, 카메라 각도, 소의 무늬와 자세는 공개된 이미지 자료와 다릅니다. 처음부터 완벽한 모델을 만드는 것은 어렵기 때문에, 실제 사용 중에 틀린 사례를 계속 모으고 다시 학습에 활용하도록 했습니다.
판단 과정도 한 단계로 끝내지 않았습니다. 딥러닝 모델이 먼저 의심 장면을 찾고, 이미지 내용을 이해할 수 있는 AI가 그 사진을 다시 살펴봅니다. 확실하지 않은 장면만 사람이 확인하게 해 불필요한 작업을 줄였습니다.
정리하면 다음과 같은 순서로 작동합니다.
CCTV 감지 → 사진 재확인 → 휴대전화 알림 → 틀린 사례 저장 → 사람이 필요한 부분만 확인 → 모델 재학습
이 방식 덕분에 AI는 단순한 제작 도구에 그치지 않고, 실제 운영 과정에서 발생하는 실수를 정리하고 다음 학습을 준비하는 역할까지 맡게 됐습니다.
5. 다른 사람도 따라 할 수 있나요?
네. 이 작업의 핵심은 비싼 장비가 아니라, 이미 있는 장비를 어떻게 활용하느냐에 있습니다.
CCTV 영상에 접근할 수 있고 프로그램을 실행할 PC 한 대가 있다면 시작할 수 있습니다. 반드시 고성능 컴퓨터가 필요한 것도 아닙니다. 제가 사용한 환경에서도 카메라 여러 대의 영상을 처리할 수 있었습니다.
개발 경험이 많지 않더라도 대화형 AI에 현재 사용하는 CCTV와 NVR의 종류, 만들고 싶은 기능, 발생한 오류를 설명하면서 한 단계씩 진행할 수 있습니다. 처음에는 소의 위험 자세처럼 꼭 필요한 기능 하나만 만들고, 실제 사용 중에 자료를 모아 기능을 보완하는 방법이 현실적입니다.
특히 틀린 판단을 그냥 지우지 않고 다음 학습 자료로 남기는 구조를 갖추는 것이 중요합니다. 농장뿐 아니라 창고, 공장, 매장처럼 CCTV가 이미 설치된 곳이라면 같은 방식으로 각 현장에 필요한 감지 기능을 만들 수 있습니다.
저에게 AI는 거창한 기술을 보여주기 위한 도구가 아니었습니다. 부모님이 밤에 조금이라도 편히 주무실 수 있도록, 이미 설치된 CCTV를 제대로 일하게 만든 도구였습니다.
