计算机视觉图像差异化方法用于使用深度学习自动检测猪的攻击性行为.

科学领域:

• 动物行为 动物行为
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 猪的侵略性会对动物福利和农场生产率产生负面影响.
• 自动检测攻击性行为对于改善集体养猪管理至关重要.

研究的目的:

• 开发和评估一种监督深度学习 (DL) 方法,用于自动检测一对猪的攻击性行为.
• 评估卷积神经网络 (CNN) 架构与图像差异化技术相结合的有效性.

主要方法:

• 使用基于VGG-16架构的CNN模型分析了不熟悉的小猪对的视频录制.
• 使用不同的图像差异化方法 (Diff1,Diff5,Diff10,混合) 创建了四个数据集.
• 用准确度,精度,回忆和曲线下的面积来评估模型性能,0.5的西格莫伊德值.

主要成果:

• 堆叠的CNN模型实现了最高的测试准确度 (0.79),精度 (0.81),回忆 (0.77),和AUC (0.86).
• 混合数据集方法显著减少了培训,验证和预处理时间,使实时检测成为可能.
• 特定的行为,如咬头和平行压力被归类为高回忆率 (0.95和0.91).

结论:

• 基于CNN和图像差异的DL方法是有效的,并且在检测猪攻击方面具有计算效率.
• 开发的系统符合实时要求,可用于猪管理中的实际应用.
• 这项技术可以有助于提高动物福利和提高农场生产率.