深度学习模型使用点云预测最终猪体重
Shiva Paudel1, Rafael Vieira de Sousa2, Sudhendu Raj Sharma1
1Department of Biological Systems Engineering, University of Nebraska-Lincoln, Lincoln, NE 68583-0726, USA.
Animals : an open access journal from MDPI
|January 11, 2024
概括
这项研究开发了一种使用点云准确预测农场动物体重的3D深度学习方法. 3D卷积神经网络 (CNN) 模型实现了高精度,显示了实时动物体重监测的潜力.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 销售农场动物的视觉评估是主观的,并依赖于看护人的技能.
- 准确的实时体重监测对于动物营销,健康和福祉评估至关重要.
研究的目的:
- 开发和评估一种3D卷积神经网络 (CNN) 方法,用于从3D点云中预测农场动物的体重.
- 将3D CNN模型的性能与传统的基于体积的重量估计方法进行比较.
主要方法:
- 使用英特尔Real Sense D435摄像头捕捉了249只猪 (20-120公斤) 的3D视频.
- 从视频中提取点云,并应用PointNet框架进行重量预测建模.
- 将3D CNN模型的性能与体积计算方法进行比较.
主要成果:
- 3D CNN模型实现了高的确定系数 (R2 = 0.94),用于重量预测.
- 该模型证明了测试的根平均平方误差 (RMSE) 为6.88公斤.
- 该模型在预测55公斤以下猪的体重方面表现最好.
结论:
- 对点集的3D深度学习显示了准确预测农场动物体重的巨大潜力.
- 开发的3D CNN方法是一个可行的工具,用于实时估计牲畜的体重.
- 建议使用更大的数据集进行进一步研究,以优化预测准确性.
