使用多个3D摄像头和卷积神经网络进行自动化牛体状况评分
Gary I Summerfield1, Allan De Freitas1, Este van Marle-Koster2
1Department of Electrical, Electronic and Computer Engineering, University of Pretoria, Pretoria 0028, South Africa.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
使用三台深度摄像头和整体建模的自动化身体状况评分显著提高了牛健康评估的准确性. 这种方法为乳制品农场提供了更好的计算成本和性能平衡.
科学领域:
- 动物科学动物科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 身体状况评分 (BCS) 对于乳牛健康评估至关重要.
- 自动化的BCS比手工方法提高了效率和一致性.
- 具有深度摄像头的卷积神经网络 (CNN) 模型对于自动化BCS是常见的.
研究的目的:
- 为了评估集合建模的性能影响,使用自动化BCS的三台深度摄像机的数据.
- 为了确定最佳的摄像头配置,平衡计算成本和准确性.
- 在嵌入式平台上评估现实世界的性能.
主要方法:
- 训练了三个独立的CNN模型,使用三台深度摄像机的数据,这些摄像机位于牛周围.
- 采用集体建模来结合来自单个CNN模型的预测.
- 在嵌入式系统上评估模型性能和计算成本.
主要成果:
- 与单摄像头方法相比,使用三个深度摄像头进行集体建模显著提高了自动化的BCS准确性.
- 确定了特定的摄像头组合,在计算成本和准确性之间提供了有利的权衡.
- 在嵌入式平台上展示了这些模型的实际可行性.
结论:
- 配合多摄像头深度数据的组合建模增强了奶牛的自动化BCS准确性.
- 该研究提供了对优化自动化BCS系统的见解,用于实际的奶牛场应用.
- 这项研究有助于通过先进的人工智能更有效,更准确地管理乳牛群.
关键词:
自动牛身体状况评分自动牛身体状况评分计算机视觉 计算机视觉卷积神经网络是一种卷积神经网络.数据增强数据增强组合建模组合建模组合建模精准畜牧业 精准畜牧业 精准畜牧业 精准畜牧业融合传感器 融合传感器 融合传感器
