通过基于深度学习的光周期来调节肉的活性

科学领域:

• 动物科学 动物科学
• 农业工程 农业工程
• 计算机视觉 计算机视觉

背景情况:

• 光周期显著影响家禽的生理和行为,影响养殖效率.
• 量化群体活动对于优化养殖实践和福利至关重要.
• 现有的监测动物行为的方法可能对动态组设置缺乏精度.

研究的目的:

• 开发和验证一个多对象跟踪模型来量化群体养的活力.
• 研究不同光周期对子活力和整体表现的影响.
• 为肉养殖中光周期调节提供数据驱动的方法.

主要方法:

• 建立了一个基于YOLOv8的多对象跟踪模型,并使用C2f-Faster-EMA进行了增强,以改进识别.
• 对小子目标检测的跟踪算法 (Bot-SORT,ByteTrack,DeepSORT) 进行了评估.
• 用从细分的子面具计算的单平均移位量来量化子的活力.

主要成果:

• 通过YOLOv8x-C2f-Faster-EMA模型实现了97.9%的对象识别精度 (mAP@50-95).
• 增强的YOLOv8 + Bot-SORT模型显示了85.1%的多对象跟踪精度.
• 与24L:0D相比,12L:12D光周期导致活动性略低,但子性能有所改善.

结论:

• 开发的模型准确量化了群体养的活动,提供了一个新的评估工具.
• 光周期调节,特别是12L:12D,可以平衡子的活动与提高性能.
• 这些发现支持商业肉养殖中改善福利评估和光周期策略.