通过卷积神经网络和图像处理估计个体肉的食时间.

科学领域:

• 动物科学动物科学
• 计算机视觉 计算机视觉
• 农业工程 农业工程

背景情况:

• 养行为是肉福利和农场管理效率的关键指标.
• 手动监测家禽的行为是劳动密集型和耗时的,特别是在大规模的操作.
• 需要自动化系统来克服家禽养殖场人类视觉观察的局限性.

研究的目的:

• 开发和评估基于卷积神经网络 (CNN) 的模型,用于自动估计个体肉养时间.
• 评估一种新的算法在识别肉头在料中的位置时的准确性.
• 提供一个实时工具,用于监测商业家禽环境中的 brojler 养行为.

主要方法:

• 一个只看一次 (YOLO) 模型在1500张标记图像上受过训练,以检测肉头.
• 实施了基于欧几里德距离的跟踪算法来跟踪检测到的肉头.
• 该算法通过识别肉头何时位于料器内来确定食时间.
• 通过使用三个1分钟的标签视频来评估表现.

主要成果:

• 开发的算法实现了总体食时间估计准确率为87.3%,每个 brojler访问食面.
• 该系统成功地跟踪了养环境中的个体肉头.
• 基于CNN的方法表明了实时应用的潜力.

结论:

• 拟议的自动化系统准确估计肉养时间,为家禽管理提供了有价值的工具.
• 这项技术可以提高对家禽资源使用和福利指标的理解.
• 该算法为肉养殖场的手动行为监测提供了一个可扩展和高效的替代方案.