通过使用图像和神经网络方法识别牛奶中的血块来在线检测临床乳腺炎
Glenn Van Steenkiste1, Igor Van Den Brulle1, Sofie Piepers1
1Department of Internal Medicine, Reproduction and Population Medicine, Faculty of Veterinary Medicine, Ghent University, 9820 Merelbeke, Belgium.
Animals : an open access journal from MDPI
|December 23, 2023
概括
这项研究开发了一个深度学习模型来检测牛奶中的血块,这是临床乳腺炎 (CM) 的关键指标. 该模型实现了100%的准确性,为牛奶农场的自动乳腺炎检测提供了一个有希望的解决方案.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 人工智能的人工智能
- 乳制品科学 乳制品科学
背景情况:
- 自动挤奶系统 (AMS) 在检测临床乳腺炎 (CM) 时的准确性有限.
- 在前部剥离过程中检测乳凝块是识别CM的常用方法.
- 现有的AMS监控设备缺乏足够的灵敏度和特异性,无法可靠地检测CM.
研究的目的:
- 开发和评估一种深度学习模型,用于使用图像识别检测牛奶凝块.
- 为了提高自动奶系统中临床乳腺炎检测的准确性.
- 使用卷积神经网络 (CNN) 来分析牛奶过器子图像.
主要方法:
- 一个带有残余连接的卷积神经网络 (CNN) 在1282张图像 (696张带有血块,586张没有) 上受过训练.
- 基因算法被用来优化基于验证数据集的CNN超参数.
- 综合梯度被用来解释CNN的决策过程.
主要成果:
- 开发的深度学习模型在测试数据集上检测乳凝块时实现了100%的准确性.
- 综合梯度证实,CNN准确地识别了图像中的血块存在.
- 该模型显示了可靠,自动检测CM指标的高潜力.
结论:
- 拟议的深度学习方法在自动化奶制系统中对临床乳腺炎的线内检测具有显著的前景.
- 为了集成到现有的AMS中,需要进一步的现场验证.
- 这项技术可以增强早期的CM检测,并改善奶牛群的健康管理.
