糞便画像を用いた家禽疾患の早期検出のためのアンサンブルベースの深層学習アプローチ

科学分野:

• 獣医学
• コンピューターサイエンス
• 人工知能

背景:

• サルモネラ症、ニューカッスル病、コクシジウム症などの家禽疾患は、家畜の健康と生産性に大きな影響を与えます。
• これらの疾患の早期発見は、効果的な管理と経済的実行可能性のために不可欠です。
• 糞便分析は、疾患症状の同定のための非侵襲的な方法を提供します。

研究 の 目的:

• 糞便画像を用いた家禽疾患の早期同定のための深層学習技術の有効性を調査すること。
• 4つの異なる深層学習モデル（MobileNetV2、EfficientNetB0、Xception、ResNet50V2）のパフォーマンスを比較すること。
• モデルの精度に対するアンサンブル技術と転移学習の影響を評価すること。

主な方法:

• 健康および不健康な家禽の糞便画像を分類するために、「アンサンブルベースCNN」と呼ばれる深層畳み込みニューラルネットワーク（CNN）モデルが開発されました。
• 4つの深層学習アーキテクチャ（MobileNetV2、EfficientNetB0、Xception、ResNet50V2）が、転移学習を使用してトレーニングおよびファインチューニングされました。
• 合計アンサンブル、加重平均、多数決を含むアンサンブル方法が、モデル予測を組み合わせるために適用されました。
• モデルのパフォーマンスは、精度、適合率、再現率の指標を使用して評価されました。

主要な成果:

• アンサンブルアプローチ、特に合計アンサンブルと加重平均は、99%という高い精度を達成しました。
• 多数決アンサンブル法は98.5%の精度に達しました。
• Xceptionモデルは、個々のモデルの中で疾患タイプの特定において優れたパフォーマンスを示しました。
• 転移学習とファインチューニングは、深層学習モデルの同定能力を大幅に向上させました。

結論:

• 深層学習、特にアンサンブルベースのCNNは、糞便画像からの家禽疾患の早期かつ正確な検出に高い可能性を示しています。
• Xceptionモデルは、高い精度が最優先される場合に推奨され、アンサンブル技術は全体的な同定パフォーマンスをさらに向上させます。
• このアプローチは、家禽の健康管理を改善し、疾患の発生に関連する経済的損失を削減するための有望なツールを提供します。