ゾウの眠りを AI が見守る

動物園の夜間カメラ映像からアジアゾウの睡眠を自動で検出し、どのゾウの睡眠かを確認する飼育員の作業を大きく減らす。

動物園で暮らす動物にとって、眠り方は健康状態やストレスを映す大切な手がかりです。アジアゾウは一晩に合計 3〜4 時間ほど横になって眠るとされ、その姿勢の偏りや時間の変化は、床の状態が合っていないことや、けが、社会的なストレスなどの兆候を示すことがあります。

札幌市円山動物園をはじめ多くの動物園では、監視カメラで 24 時間の録画が行われていますが、その映像を確認するのは飼育員の目です。毎晩の長時間の映像を見続けるのは大きな負担で、自動化が望まれています。私たちは円山動物園の協力のもと、夜間の監視カメラ映像からゾウの睡眠を自動で解析する仕組みを開発しています。

検出はできた。残った課題は「どのゾウか」

これまでの研究で、映像から「横になって眠っているゾウ」を見つけ、いつからいつまで眠っていたかを「睡眠イベント」として取り出すことができるようになりました(図1 の Phase 1・2)。映像の明暗の差を整えたうえで物体検出 AI を使い、左を下にしているか右を下にしているかも判定します。約 243 時間分(40夜)の映像で評価したところ、睡眠イベントの検出は F 値 0.94、1時間の映像あたりの睡眠時間の誤差は平均 2.6 分でした。

図1:解析の流れ。本研究では Phase 3 と Phase 4 を新たに加えた

しかし、実際に記録として使うには「その睡眠はどのゾウのものか」を確認する必要があります。円山動物園では夜間に 2 頭が同じ部屋で過ごすことが多く、しかも録画は 1 時間ごとのファイルに分かれていて、ファイルの切れ目には数秒から数十分の欠損があります。そのため、一続きの睡眠がいくつものイベントに分かれてしまい、そのたびに飼育員が個体を確認しなければなりませんでした。

AI に個体を見分けさせる方法も考えられますが、夜間の赤外線映像では個体ごとの見た目の違いがごくわずかで、誤りのおそれがあります。ゾウの成長や入れ替えのたびに学習し直す手間もかかります。

見た目に頼らず、論理でまとめる

そこで私たちは、見た目の特徴を使わない2つの処理を加えました。

一つめは、途切れた睡眠をつなぐ処理です(Phase 3)。眠っているゾウはほとんど動きません。この性質を利用して、ファイルの切れ目の前後で「同じ姿勢」かつ「ほぼ同じ位置」にあるイベントを、一続きの睡眠として統合します。

二つめは、同じゾウの睡眠をまとめる処理です(Phase 4)。2頭が同じ部屋にいるとき、「同じ時刻に起きている睡眠は、必ず別のゾウのもの」といえます。そこで、時間が重なっている睡眠どうしを線で結び、線で結ばれたものが違う色になるように2色で塗り分けます。すると、同じ色になった睡眠は同じゾウのものだと確定できます(図2)。これは数学のグラフ理論で「2彩色問題」と呼ばれる考え方です。飼育員は、まとめられたグループごとに一度だけ「これはどのゾウか」を確認すれば済みます。

図2:時間の重なりを使って、同じ個体の睡眠をまとめる考え方

確認作業は約7割減

円山動物園の実際の映像で評価した結果を表1に示します。

処理の段階1日あたりの確認回数削減率
睡眠の検出まで(Phase 2)15.1 回—
途切れをつなぐ(Phase 3)8.6 回42.9%
個体ごとにまとめる(Phase 4)4.4 回70.7%

表1:飼育員による個体の確認が必要な回数(40日分の平均)

確認回数は 1 日あたり 15.1 回から 4.4 回へと、約 7 割減りました。40 日間のどの日でも半分以上を削減できており、日によって眠り方が違っても安定して効果が得られています。ファイルの切れ目での統合も、誤ってつないでしまった例は 304 組中 8 件にとどまりました。

この方法は見た目の特徴を学習する必要がないため、ゾウが成長したり入れ替わったりしても学習し直す必要がなく、ほかの施設にも適用しやすいという利点があります。

今後に向けて

今回の方法は 2 頭が同じ部屋にいる場合を対象としており、3 頭以上が同時に眠る場合には、論理だけでは個体を一通りに決められないことがあります。今後は、AI による個体の推定と今回の論理的な方法を組み合わせる手法や、検出そのものの精度向上、実際に現場で使えるシステムの構築に取り組みます。

本研究の実施にあたり、データの提供と多大なご協力をいただいた札幌市円山動物園の皆様に感謝いたします。

  1. 明石 詩歩, 田村 康将, 山本 雅人. “飼育下アジアゾウを対象とした長時間映像における睡眠行動の自動解析” ROBOMECH
  2. 明石 詩歩, 田村 康将, 山本 雅人. “飼育下アジアゾウを対象とした夜間監視カメラ映像による睡眠行動の自動検出” 第25回複雑系マイクロシンポジウム講演論文集, pp. 49–53 (2026)

他の研究テーマ

実試合から得点を予測する›
世界選手権などの実際の試合の盤面から、そのエンドが何点で終わるかの確率分布を、1投目から16投目まで予測する AI モデルを構築し、その振る舞いを詳しく分析。
AI に特定のデータだけを忘れさせる›
学習済みの AI から、指定されたデータの影響だけを取り除く Machine Unlearning。元の訓練データが残っていなくても、少数のデータを短時間で忘れさせる手法を研究。
カーリングの「勝負どころ」を数値で表す›
その一投が試合の勝敗をどれだけ左右するのか。野球の指標 Leverage Index をカーリングに導入し、ショットの前後での勝率の変化から一投ごとの重要度を定量化する。
試合記録からストーンの位置を読み取る›
世界大会の公式記録に載っている配置図から、AI がストーンの位置を自動で読み取る。20万局面を超えるカーリングの試合データベースを構築。
プロの内野守備はどこが違うのか›
プロとアマチュアの内野守備の映像を AI に見分けさせ、その判断の根拠から、熟練度の差が現れる局面と動作を探る。
少ないデータで AI の歌声を自然にする›
軽量な歌声合成モデルの出力を、本物の歌声に近づく方向へ少しずつ補正。少ない歌唱データと限られた計算資源でも、より自然な歌声を目指す。
ポーカーで駆け引きを学ぶ AI›
相手の手札が見えないポーカーで、ブラフを仕掛けてくる相手の出方を読み、受けるか降りるかを判断する AI。理論上の最適戦略とどこまで近づけるかを厳密に検証。
AI が作った肺音で AI を鍛える›
集めにくい異常な肺音を生成 AI で 10 万枚作り出し、小さくても雑音に強い肺音 AI を学習。大規模モデルの約 0.5% の大きさで同等の精度を達成。
AI がカーリングの戦術を考える›
世界大会の試合データ分析による戦術支援と、デジタルカーリングで戦うAI「じりつくん」の開発。
ボルダリングを AI が評価する›
半教師あり学習とホールド情報を活用し、オクルージョンに強いクライマーの姿勢推定を実現。
AIに悩ませる異常検知›
正常な肺音だけを学習したAIで異常音を検出。ノイズと区別する独自アルゴリズムも開発。
AIで動物の健康管理をする›
円山動物園のアジア象の映像から、位置追跡と行動分類を自動で行い日々の活動を記録。
絶滅危惧種の発情期を捉えろ›
九十九島動植物園のツシマヤマネコを対象に、発情期特有の行動をAIで自動判別。
普段と異なる異常の兆候を知る›
普段の行動データから学習したモデルで、いつもと異なる異常の兆候をいち早く検知する。
AI も錯視を起こす›
色の恒常性を学習したニューラルネットワークで「ドレスの色の錯視」を再現。

研究テーマ一覧へ ›

共同研究・研究室見学のご相談はこちら

問い合わせ ›