基于深度学习的活腿体重的非破坏性估计方法
Shulin Sun1, Lei Wei2, Zeqiu Chen1
1College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China.
Poultry science
|February 16, 2024
概括
这项研究引入了一种非侵入性系统,用于通过计算机断层扫描 (CT) 和改进的YOLOv5模型来估计肉腿重量. 该系统准确地确定腿部重量,有助于在商业繁殖中确定表型.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 现型的确定,特别是腿部重量,对于 brojiler 繁殖至关重要.
- 非侵入性方法是最好的,以尽量减少动物的压力和损害.
- 精确的腿部体重估计支持选择性育种计划.
研究的目的:
- 开发和验证一种用于估计肉腿重量的非侵入性系统.
- 提高活肉腿重量测量的准确性和效率.
- 为商业肉繁殖中表型确定提供技术支持.
主要方法:
- 开发一个肉腿体重估计系统,集成计算机断层扫描 (CT) 采集设备和体重估计模型.
- 实施了一种改进的You-Only-Look-Once (YOLOv5) 分段算法 (YOLO-MCLW) 具有分段头,多尺度注意力和状空间金字塔聚合,用于从CT扫描中准确分段腿部.
- 使用随机森林配套网络,从细分的腿部图像中提取的形态参数来估计腿部体重.
主要成果:
- 开发的系统在估计肉腿重量时,平均绝对误差为7.27g,平均百分比误差为4.82%.
- 肉腿的预测确定系数 (R2) 达到88.98%.
- 细分模型实现了95.45%的高交叉与结合 (IoU),并每秒处理37.04张图像.
结论:
- 拟议的非侵入性系统有效地以高准确性和高效率估计肉腿重量.
- 改进的YOLOv5模型和随机森林网络的集成为自动腿部重量确定提供了强大的解决方案.
- 这项技术为肉行业的表型确定和选择性育种提供了宝贵的支持.
