使用深度学习方法检测猪的运动和攻击
Jiacheng Wei1, Xi Tang1, Jinxiu Liu1
1State Key Laboratory for Pig Genetic Improvement and Production Technology, Jiangxi Agricultural University, Nanchang 330045, China.
Animals : an open access journal from MDPI
|October 14, 2023
概括
这项研究引入了一种深度学习模型,自动跟踪猪的运动和侵略,改进了用于社会层次和健康研究的数据收集. 精确的AI系统提供了对猪行为的可靠洞察力,超越了手动观察的局限性.
科学领域:
- 动物行为 动物行为
- 机器学习在农业中的应用
- 动物科学动物科学
背景情况:
- 手动观察猪的攻击和运动是耗时的,劳动密集的,主观的.
- 目前的方法对于大型农场来说是不切实际的,并且不涵盖整个猪生长周期.
- 准确的行为数据对于理解猪社会层次结构和育种选择至关重要.
研究的目的:
- 开发一种高效准确的基于深度学习的方法来检测和识别猪的运动和攻击性行为.
- 提供可靠的系统记录猪的移动时间和侵略行为,用于育种选择和行为研究.
- 克服手工观察在时间,劳动和主观性方面的局限性.
主要方法:
- 从商业农场收集的视频数据,这些农场在稳定的社会群体中养猪.
- 使用改进的EMA-YOLOv8和目标跟踪算法开发了一个深度学习模型.
- 标注了特定的侵略行为,包括头对头敲击,头对身体敲击,咬子,咬身体和咬耳朵.
主要成果:
- 深度学习模型在检测猪身份和战斗行为方面达到96.4%的平均精度.
- 模型检测结果与手动记录有很高的相关性 (R2为0.9804和0.9856).
- 该系统在自然农场条件下准确识别了运动持续时间和攻击性行为.
结论:
- 提出的方法为监测猪行为的准确和有效的解决方案.
- 这项技术提供了可靠的数据,用于研究猪的社会层次结构,并为健康和侵略现象类型进行选择.
- 基于人工智能的方法克服了猪福利研究中传统手动观察方法的局限性.
