在商业农场使用TIR-NIR深度图像和深度学习来检测死产母
Sheng Luo1, Yiming Ma1, Feng Jiang1
1College of Engineering, China Agricultural University, Beijing 100083, China.
Animals : an open access journal from MDPI
|October 27, 2023
概括
这项研究引入了一种深度学习方法,用于使用多源图像检测死,大大降低了家禽养殖中的劳动力成本. 接近红外 (NIR) 和深度图像与可变形DETR的组合实现了最高的检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 在大型农场手动检测死是劳动密集型和昂贵的.
- 及时检测对于预防疾病传播和经济损失至关重要.
- 现有的方法缺乏自动检测的效率和准确性.
研究的目的:
- 开发和评估一种基于深度学习的新方法,用于自动检测死.
- 评估各种图像源 (热红外,近红外,深度) 单独和组合的性能.
- 为在商业家禽养殖中优化图像源选择提供参考.
主要方法:
- 采用像素级图像记录技术,使用深度信息将近红外 (NIR) 和深度图像与热红外 (TIR) 图像对齐.
- 使用了单源 (TIR,NIR,深度),双源 (TIR-NIR,TIR深度,NIR深度) 和多源 (TIR-NIR深度) 图像.
- 对象检测网络 (YOLOv8n,可变形DETR,级联R-CNN,TOOD) 进行了培训和评估.
主要成果:
- 使用可变形DETR的近红外 (NIR) 和深度图像组合,实现了最高的性能,平均精度 (AP) 为99.7%,IoU=0.5.5.
- 双源图像通常优于单源图像,其中NIR深度和TIR-NIR表现最好.
- 多源 (TIR-NIR深度) 提供了与最佳双源组合相比的边际改善,表明回报正在减少.
结论:
- 使用多源图像的深度学习模型可以有效地自动检测死.
- 结合NIR和深度图像,为此任务提供了高度准确的解决方案.
- 这项研究为选择最佳成像策略提供了宝贵的见解,以提高家禽养殖的效率和降低成本.
