Identificación mejorada de ganado mediante la red siamesa y MobileViT con atención EMA

Área de la Ciencia:

• Visión por Computadora
• Inteligencia Artificial
• Gestión Ganadera

Sus antecedentes:

• La identificación precisa del ganado es vital para los seguros ganaderos para prevenir el fraude.
• Los sistemas actuales de reconocimiento del hocico tienen dificultades con las oclusiones y las vistas multiángulo, lo que limita su aplicación práctica.

Objetivo del estudio:

• Desarrollar un sistema robusto de reconocimiento del hocico de ganado capaz de manejar escenarios complejos.
• Mejorar la precisión y confiabilidad de la verificación de identidad del ganado en seguros ganaderos.

Principales métodos:

• Se creó un conjunto de datos completo de imágenes de hocicos de ganado, que incluye imágenes frontales, multiángulo y ocluidas.
• Se propuso CattleMuzzleNet, un modelo ligero que integra una red siamesa, una columna vertebral MobileViT mejorada y atención multi-escala eficiente (EMA).
• El rendimiento del modelo se validó mediante experimentos comparativos, estudios de ablación y análisis del umbral de confianza.

Principales resultados:

• CattleMuzzleNet logró una precisión del 97,87 % y una puntuación F1 del 98,89 % en un conjunto de datos de 31 312 imágenes de 658 cabezas de ganado.
• El modelo demostró alta precisión y robustez en escenarios complejos, superando a los métodos existentes.
• El modelo desarrollado tiene un tamaño compacto de 6,9 MB, lo que lo hace eficiente para la implementación práctica.

Conclusiones:

• CattleMuzzleNet proporciona una solución técnica eficaz para la verificación de identidad del ganado en seguros.
• El modelo propuesto mejora significativamente la robustez del reconocimiento del hocico en condiciones desafiantes del mundo real.
• Este avance contribuye a reducir el fraude y mejorar la eficiencia de los procesos de seguros ganaderos.