Estimación de pose basada en puntos clave y estimación de profundidad monocular para predecir el peso corporal y la...

Área de la Ciencia:

• Ingeniería Agrícola
• Visión por Computadora
• Ciencia Animal

Sus antecedentes:

• Los sistemas tradicionales de visión por computadora (CVS) para predecir el peso corporal (BW) y la altura de la cadera (HH) del ganado a menudo dependen de imágenes 3D costosas o cámaras 2D de vista lateral poco prácticas.
• La imagen 2D de vista superior combinada con la estimación de pose ofrece una solución potencial para extraer características biométricas.
• La estimación de profundidad monocular (MDE) puede generar información de profundidad a partir de imágenes 2D, mejorando aún más el análisis biométrico.

Objetivo del estudio:

• Desarrollar modelos predictivos para BW y HH utilizando características de puntos clave de pose corporal e imágenes de profundidad generadas por MDE a partir de imágenes infrarrojas 2D de arriba hacia abajo.
• Comparar el rendimiento predictivo de estos modelos con modelos que utilizan características de sistemas de imágenes 3D.

Principales métodos:

• Se recopilaron 395 videos de vista superior de ganado cruce de carne de lácteos utilizando sensores infrarrojos y de profundidad.
• Se utilizó un modelo de estimación de pose para identificar siete puntos de referencia anatómicos clave.
• Se aplicó MDE de disparo cero para convertir imágenes infrarrojas 2D en representaciones 3D y extraer características (volumen, área, etc.).
• Se procesaron imágenes de profundidad de un sistema de imágenes 3D utilizando el mismo proceso de extracción de características.
• Se evaluaron modelos de Random Forest, Regresión por Mínimos Cuadrados Parciales (PLS) y Regresión de Vectores de Soporte utilizando validación cruzada leave-one-block-out.

Principales resultados:

• Los modelos PLS que utilizan características derivadas de puntos clave lograron un R2 de 0.90 para BW y 0.77 para HH.
• Los modelos PLS que utilizan características de profundidad derivadas de MDE demostraron un rendimiento superior, logrando un R2 de 0.95 para BW (RMSE 24.2 kg) y resultados comparables para HH.
• El rendimiento predictivo utilizando características derivadas de 2D fue comparable al de los sistemas de imágenes 3D.

Conclusiones:

• Las características biométricas extraídas de imágenes 2D de arriba hacia abajo, incluidas las generadas a través de MDE, proporcionan predicciones efectivas y comparables para BW y HH del ganado.
• Este enfoque presenta una alternativa rentable y práctica a los sistemas de imágenes 3D tradicionales para el monitoreo y manejo del ganado.